自定义异常类是Python程序员的必备技能，但你真的了解如何在现代Python中优雅地实现吗？
你可能已经知道，Python中的异常类是继承自Exception的。但你有没有思考过，如何让自己的异常类既符合Pythonic风格，又能与其他库的异常类无缝对接？尤其在现代Python开发中，异常的可读性与一致性非常重要，尤其是在使用像PyTorch或TensorFlow这样的AI框架时，一个良好的异常类设计可以帮助你更快速地定位错误。
从最基本的开始，我们通常会这样写一个异常类：
class MyError(Exception):
pass
这当然没错。但现代Python鼓励你添加更丰富的信息，比如错误消息、错误代码，甚至上下文信息。你可能会问，怎么才能让自己的异常类像标准库中的那样“自然”？
从BaseException到Exception
在Python中，所有异常类都继承自BaseException。而大多数实际使用的异常类，比如ValueError、KeyError等，都是继承自Exception。因此，如果你要定义一个自定义异常类，最好也从Exception继承，这样它就会自动具有Exception的所有行为和属性。
class MyError(Exception):
pass
这已经是一个标准的异常类。但你还可以在这个基础上扩展信息，比如添加错误码或更详细的说明。
添加可读性与上下文信息
你可以通过__init__方法添加自定义的错误信息。但问题是，你希望你的异常类像标准库那样优雅，而不是像“老式”代码那样直接抛出raise MyError("Something went wrong")。那如何做到呢？
一个常见的做法是重写__str__方法，这样你就可以在打印异常时看到更清晰的信息。例如：
class MyError(Exception):
def __init__(self, message, code=None):
self.message = message
self.code = code
super().__init__(self.message)
def __str__(self):
if self.code:
return f"[Code {self.code}] {self.message}"
return self.message
这样，当抛出异常时，你可以看到类似[Code 404] Resource not found这样的信息。这比单纯的"Something went wrong"更有帮助。
但你有没有发现，这样的写法虽然清晰，却略显冗长？我们可以进一步抽象，使用__repr__方法来提供更丰富的调试信息，同时保留__str__的简洁性。
class MyError(Exception):
def __init__(self, message, code=None, context=None):
self.message = message
self.code = code
self.context = context or {}
super().__init__(self.message)
def __str__(self):
return self.message
def __repr__(self):
return f"{self.__class__.__name__}({self.message}, code={self.code}, context={self.context})"
通过这种方式，你的自定义异常类不仅“看起来像”标准库中的类，还能为调试提供更多信息。
与AI框架的交互
在使用像PyTorch或TensorFlow这样的AI框架时，你可能会遇到一些自定义逻辑的错误。比如，在数据处理时，你可能希望抛出一个异常，说明某个数据不符合模型的输入要求。
class InvalidDataError(Exception):
def __init__(self, message, data=None):
self.message = message
self.data = data
super().__init__(self.message)
def __str__(self):
return self.message
def __repr__(self):
return f"{self.__class__.__name__}({self.message}, data={self.data})"
这样，当你的代码抛出InvalidDataError时，不光能告诉你“数据无效”，还能告诉你“无效的数据是什么”。这在调试和日志记录时非常有用。
为什么还要关心异常的“标准”？
你可能会问：为什么我要这么麻烦地定义异常类？简单抛出一个错误不就好了？但事实是，标准异常类的设计是经过深思熟虑的，它们有统一的结构、一致的语义，甚至在某些框架中（比如Jinja模板引擎）会被自动识别和处理。
如果你的自定义异常类不符合这些标准，它可能在某些场景下无法被正确处理。比如，你可能无法在Jinja中使用它，或者某个工具库（如pytest或logging）不会自动识别它。因此，遵循标准是避免踩坑的关键。
最后，你可能会问：我应该用什么工具来处理这些异常？
这取决于你的需求。如果你在开发一个数据处理工具，不妨考虑用logging模块记录异常信息；如果你在构建一个AI服务，不妨使用FastAPI或Streamlit来优雅地展示错误。
有没有一种方式，让你的异常类既能符合标准，又能做到可读和可调试？尝试在代码中加入
__context__或使用traceback模块，看看能不能进一步简化你的异常处理流程？
keywords: 自定义异常类, Pythonic, Exception, PyTorch, TensorFlow, 数据处理, AI框架, 错误信息, 异常处理, 代码可读性