# **Python 编码与开发规范**

Python 是一门极其灵活的动态语言，但“灵活”在大型团队协作中往往意味着“灾难”。本规范以 **PEP 8** 为基石，全面拥抱 **现代 Python (3.9+)** 的类型注解系统，并强制依赖自动化工具链来消除代码风格争议。

## **命名约定与基础风格**

**核心理念：代码是写给人看的，顺便交给机器执行。**

* **变量与函数（变量/方法）：** 强制使用 snake\_case（下划线命名）。  
  \# 推荐  
  user\_account\_list \= \[\]

  def fetch\_user\_data():   
      ...

* **类名（Classes）：** 强制使用 PascalCase（大驼峰命名）。  
  class PaymentService:   
      ...

  class UserNotFoundError(Exception):   
      ...

* **常量（Constants）：** 强制使用 SCREAMING\_SNAKE\_CASE（全大写加下划线），定义在模块顶部。  
* **私有与受保护属性：** \* 单下划线 \_private\_var：表示内部使用（软性约束，仅作提示）。  
  * 双下划线 \_\_strict\_private：触发名称改写（Name Mangling），除非极特殊情况（如防止子类重写），**日常业务开发中不推荐使用**，以免增加调试难度。

## **现代工程化工具链 (强制执行)**

**核心理念：能用工具自动修复的风格问题，绝不在 Code Review 中浪费时间口舌。**

项目中必须配置并使用以下工具链（推荐通过 pre-commit 钩子强制拦截不合规代码）：

1. **项目与依赖管理：uv (核心基石)**  
   * 摒弃传统的 pip、virtualenv 或臃肿的 Poetry，全面拥抱由 Astral 团队用 Rust 编写的 uv。  
   * 它统一了虚拟环境管理、依赖解析和项目运行。使用 uv init 初始化项目，uv add 添加依赖，uv run 执行脚本，极大提升开发构建体验。  
2. **综合 Linter 与格式化：Ruff**  
   * 同样是 Astral 团队出品的极速工具，完美兼容并替代了 Flake8、isort 和 Black（Ruff 目前已内置极速 formatter）。团队统一在 pyproject.toml 中配置 Ruff 规则。  
3. **静态类型检查：Mypy**  
   * 开启严格模式。核心业务模块必须通过 Mypy 检查，不允许出现 Any 泛滥的情况。

## **类型注解 (Type Hinting) 规范**

**核心理念：动态一时爽，重构火葬场。所有业务接口、函数签名必须带有完整的类型注解。**

* **基础类型约束：** 充分利用 Python 3.9+ 的内置泛型（如 list, dict，不再需要 from typing import List, Dict）和 Python 3.10+ 的联合类型操作符 |。  
  \# 推荐写法 (Python 3.10+)  
  def process\_user\_data(user\_id: int | str, tags: list\[str\]) \-\> dict\[str, Any\]:  
      pass

* **可选类型：** 当参数或返回值可能为空时，必须使用 Optional\[T\] 或 T | None。  
  def find\_user(email: str) \-\> User | None:  
      pass

* **避免 Any 滥用：** 凡是写 Any 的地方，意味着放弃了类型检查。对于复杂的数据结构，应当优先定义 TypedDict 或数据模型类。

## **核心编码与设计范式**

### **1\. 数据模型设计 (Pydantic 与 Dataclass 的明确边界)**

**警惕过度设计：** 绝对不要为了用而用，将整个系统“全盘 Pydantic 化”。Pydantic 实例化时的类型强转和校验是有显著性能开销的，强行铺满内部逻辑会带来极大的工作量和性能负担。

* **必须使用 Pydantic 的场景（防腐层/系统边界）：**  
  * 外部 API 的请求体与响应体验证（如 FastAPI 集成）。  
  * 外部配置文件的解析加载。  
  * 从不可靠来源（如第三方消息队列）消费的复杂 JSON 结构。

from pydantic import BaseModel, EmailStr

class UserCreateRequest(BaseModel):  
    name: str  
    email: EmailStr  \# 外部输入，必须靠 Pydantic 严防死守  
    age: int | None \= None

* **必须使用 @dataclass 或 TypedDict 的场景（系统内部）：**  
  * 内部 Service 函数之间的参数流转。  
  * 从数据库 ORM 查询出来、组装准备传给下一层的纯内部 DTO。  
  * 这些数据已经是“绝对可信”的，使用标准库的 @dataclass 可以实现近乎 O(1) 的轻量实例化，绝不增加无谓的校验负担。

### **2\. 函数参数设计 (关键字传参)**

* 当函数参数超过 3 个，或者包含容易混淆的布尔值时，**强制使用 \* 迫使调用方使用关键字传参**。  
  \# 规范示例：调用此函数时，age 和 is\_active 必须带上参数名  
  def create\_user(name: str, email: str, \*, age: int, is\_active: bool \= True) \-\> User:  
      pass

  \# 调用端：  
  create\_user("John", "john@test.com", age=25, is\_active=False) \# 必须写明 age= 和 is\_active=

### **3\. 异常处理规约**

* **禁止吞噬异常：** 绝不允许出现 except Exception: pass 这种掩耳盗铃的代码。  
* **自定义异常层次：** 模块应当抛出特定业务领域的异常（如继承自 ValueError 的 OrderNotFoundError），而不是直接抛出裸露的 Exception。

### **4\. 资源释放与安全**

* **强制使用上下文管理器：** 文件读写、网络会话（如 requests.Session）、数据库连接，必须使用 with 语句包裹，确保资源（哪怕在异常抛出时）能被正确关闭。

## **性能优化与防坑指南**

Python 性能上限不高，但不良写法会导致下限极低：

* **查找操作慎用 List，拥抱 Set/Dict：**  
  * if item in my\_list: 的时间复杂度是 O(n)。对于包含上百个元素的成员判断，**必须**将集合初始化为 Set 或 Dict，以达到 O(1) 的查找性能。  
* **大数据流拥抱生成器 (Generators)：**  
  * 当处理百万级行数的 CSV 或大量数据库记录时，严禁将数据一次性加载到内存的 List 中。**必须使用 yield**。

def process\_large\_file(filename: str):  
    with open(filename, 'r') as file:  
        for line in file:  
            yield process\_line(line) \# 内存中始终只有一行数据

* **海量实例的内存优化：**  
  * 当需要实例化上百万个轻量级对象时，必须在类中声明 \_\_slots\_\_ \= \['attr1', 'attr2'\]，这能节约约 40% 的内存消耗（阻止 Python 为每个实例创建 \_\_dict\_\_）。

## **单元测试规范**

* **测试框架选型：** 统一使用 pytest，废弃 Python 自带的厚重 unittest 类式写法。并通过 uv run pytest 执行。  
* **测试用例结构：** 遵循 Arrange \- Act \- Assert (准备-执行-断言) 三段式结构。  
* **Mock 的边界：** 严禁在单元测试中发起真实的 HTTP 网络请求或连接真实的 MySQL 数据库。必须使用 unittest.mock.patch 或 pytest-mock 对外部 IO 依赖进行拦截和模拟。  
  def test\_get\_user\_info(mocker):  
      \# Arrange: 拦截外部数据库调用  
      mocker.patch('myproject.database.fetch', return\_value={"id": 1, "name": "Test"})

      \# Act  
      user \= get\_user\_info(1)

      \# Assert  
      assert user.name \== "Test"