谷歌大神又一开源神器！Python代码调试不选它选谁？

↑↑↑点击上方蓝字，回复资料，10个G的惊喜

如果调试是Debug的必经之路，那么编程应该将它考虑在内。今天就和大家分享一个代码调试神器——Cyberbrain。

Cyberbrain是一个免费开源的Python代码调试解决方案，它可视化程序执行以及每个变量的变化方式，让程序员免受调试之苦。主要具有以下3个特性：

• 回溯变量更改

• 查看程序执行的每个状态，包括变量的值

• 循环调试

Cyberbrain并不会改变你的工作流程，运行一个程序（从 vscode 或命令行，都可以），一个新的面板将被打开，程序执行情况全部以可视化展示。

Cyberbrain如何安装

Cyberbrain由一个Python库和各种编辑器/ IDE集成组成。当前，它支持VS Code。要安装Cyberbrain：

pip install cyberbrain
code --install-extension laike9m.cyberbrain

你也可以直接从VS Code上安装。

如何使用

假设你想跟踪一个函数foo，只需用@trace以下命令装饰它：

from cyberbrain import trace
# As of now, you can only have one @trace decorator in the whole program.
# We may change this in version 2.0, see https://github.com/laike9m/Cyberbrain/discussions/73
@trace  # Disable tracing with `@trace(disabled=True)`
def foo():
    ...

以下gif演示了工作流程：

使用Cyberbrain，可能有哪些意外

Cyberbrain可能与其他调试器发生冲突。如果设置断点并使用VSC的调试器，则Cyberbrain可能无法正常运行。

如果你打开了多个VS Code窗口，则将始终在第一个窗口中创建跟踪图。

当有多个装饰器时，应将其@trace作为最里面的装饰器。

@app.route("/")
@trace
def hello_world():
    x = [1, 2, 3]
    return "Hello, World!"

赛博大脑——数据流分析和变量跟踪

与其他调试器不同，Cyberbrain可以显示准确的数据流，并且可以在程序的每个状态中持续存在。你不仅不需要记住任何事情，甚至你都不需要逐步执行操作，这样一来就可以节省大量调试时间。

下图是使用Cyberbrain进行调试的方法：

假如你想找出返回值错误的原因。通过查看图表，你已经对导致返回值的原因有了一个大概的了解。

接下来，将鼠标悬停在“返回”节点上，所有相关值都会显示出来，形成从函数开始到结束的跟踪路径：

只要动动鼠标就能找到问题，谁还会去用编译器呢？

目标检查

如果现在有一个大列表，但它无法与图匹配，如何使用工具来检查它的值？devtools可用于检查值，如下所示。

启动后，Cyberbrain会自动打开devtools窗口。将鼠标悬停在变量上时，其值将记录在devtools控制台中。因此，在这种情况下，尽管没有足够的空间在跟踪图中显示整个列表，但是您仍然可以从devtools中检查其值。

几乎所有的Python调试器（PyCharm，VS Code等）都会截取参数，并且无法显示大列表中的每个元素。但是我们相信“细节决定成败”，每条信息可能都是有用的，不应忽略。因此，除非你明确指示，Cyberbrain不会截取参数。

循环

Cyberbrain还有另一个独特的功能，你可以在调试时设置循环计数器。

由于实现非常复杂，因此存在一些已知的错误，不过随着更新，应该会变得更好。

目前，Cyberbrain已经在Github上标星 1.5K ，累计分支  64  个。（Github地址： https://github.com/laike9m/Cyberbrain ）

最后，值得一提的是，创建者laike9m毕业于清华大学，谷歌软件工程师，目前全职开发Cyberbrain工具。

来自：开源最前线（ID：OpenSourceTop） 

链接 ：https://medium.com/analytics-vidhya/cyberbrain-python-debugging-redefined-1db4c47a4d32

 
    
    
    

  
     
     
     
 
    
    
    
 
    
    
    

     
     
     
  也可以加一下老胡的微信
 
    
    
    
 
    
    
    

     
     
     
  围观朋友圈~~~
 
    
    
    



   
   
   

 
    
    
    

  
     
     
     

   
      
      
      

    
       
       
       
 
        
 
         
 
          
推荐阅读
 
         
 
        
 
        
 
         
（点击标题可跳转阅读）
 
        
 
        
 
         
 
          
 
           
 
            
我爱线代，线代使我快乐
 
            
麻省理工学院计算机课程【中文版】
 
            
【清华大学王东老师】现代机器学习技术导论.pdf
 
            
机器学习中令你事半功倍的pipeline处理机制
 
            
机器学习避坑指南：训练集/测试集分布一致性检查
 
            
机器学习深度研究：特征选择中几个重要的统计学概念
 
           
 
          
 
         
 
        
 
       
   
      
      
      
  
     
     
     
 
    
    
    

   
   
   
老铁，三连支持一下，好吗？↓↓↓

本文分享自微信公众号 - 机器学习算法与Python实战（tjxj666）。
如有侵权，请联系 [email protected] 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。