2、Python基础回顾：数据类型、函数、类、异常处理、文件操作、虚拟环境与包管理

在仪器控制与自动化测试领域，Python 之所以成为首选语言，并非因为其执行速度最快，而是因为它拥有极高的开发效率、丰富的第三方库生态（如 pyvisa、pyserial、numpy、pandas）以及强大的胶水特性。本章并非面向零基础读者的语法百科，而是聚焦于自动化测试脚本开发中最常用、最容易踩坑的 Python 核心机制。我们将从数据类型的内存模型与选择策略出发，深入函数作用域与装饰器、类的高级特性、异常处理的最佳实践、文件与仪器日志的读写，最后落到虚拟环境与包管理——这是保证测试脚本可移植、可复现的工程基石。

上图展示了本章六个核心模块之间的逻辑关系：数据类型是脚本的“血肉”，函数与类构成“骨架”，异常处理是“免疫系统”，文件操作是“记忆”，而虚拟环境则是“容器”。在后续的仪器控制实战中，这六者始终交织在一起。例如，一个典型的 DMM（数字万用表）数据采集脚本，必然涉及用 dict 存储配置、用类封装仪器句柄、用 try/except 捕获通信超时、用 CSV 记录测量结果，并在虚拟环境中锁定 pyvisa 版本。

2.1 核心原理：Python 数据模型与选择策略

Python 中一切皆对象，变量本质上是对象的引用。这一特性对仪器控制脚本影响深远：当你执行 voltage = meter.read() 时，voltage 指向一个 float 对象；而当你将多个读数放入 list 时，list 存储的是引用而非值拷贝。理解这一点有助于避免修改共享可变对象（如 list、dict）时产生的隐蔽 Bug。

在自动化测试中，选择合适的数据结构往往比优化算法更重要。例如，当需要频繁判断某个仪器地址是否已被占用时，使用 set 而非 list 可将时间复杂度从 O(n) 降至 O(1)。对于测量数据，若需要实时追加且最终要转 numpy 数组，建议先存入 list，最后一次性 np.array(data)，避免在循环中反复创建数组。

2.2 函数与作用域：从 *args 到装饰器

仪器控制脚本中，函数是组织逻辑的最小单元。Python 的函数参数机制非常灵活，但也是初学者容易混淆的地方。位置参数、默认参数、*args、**kwargs 的组合使用，可以让我们写出适配不同仪器接口的统一调用入口。

def configure_instrument(visa_address, timeout=5000, *args, **kwargs):
    """通用仪器配置函数"""
    rm = pyvisa.ResourceManager()
    inst = rm.open_resource(visa_address)
    inst.timeout = timeout
    # args 可接收额外的位置参数，如通道号
    # kwargs 可接收 'voltage_range'、'current_limit' 等命名参数
    for key, value in kwargs.items():
        inst.write(f":{key.upper()} {value}")
    return inst

作用域规则遵循 LEGB（Local → Enclosing → Global → Built-in）原则。在测试脚本中，一个常见误区是在函数内部直接修改全局变量而不声明 global，导致 UnboundLocalError。更推荐的做法是：将需要共享的状态封装在类中，或者通过返回值传递。

装饰器是 Python 函数式编程的精髓，在自动化测试中常用于实现日志记录、重试机制、执行时间统计。例如，针对仪器通信偶发超时，可以编写一个重试装饰器：

import functools
import time

def retry(max_attempts=3, delay=0.5):
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args, **kwargs):
            for attempt in range(max_attempts):
                try:
                    return func(*args, **kwargs)
                except Exception as e:
                    if attempt == max_attempts - 1:
                        raise
                    time.sleep(delay)
            return None
        return wrapper
    return decorator

@retry(max_attempts=5, delay=1.0)
def read_voltage(meter):
    return meter.measure("VOLT:DC")

2.3 类与封装：构建仪器驱动抽象层

在大型测试系统中，直接操作 VISA 句柄会导致代码重复且难以维护。通过类封装，我们可以将仪器型号、通信协议、校准参数等细节隐藏起来，对外提供高层次的测量方法。一个良好的仪器驱动类应包含：初始化（连接）、配置（量程/积分时间）、测量（读数）、关闭（释放资源）四个核心接口。

class DMM:
    """数字万用表驱动类"""
    def __init__(self, address, timeout=3000):
        self.address = address
        self._inst = None
        self.timeout = timeout

    def connect(self):
        import pyvisa
        rm = pyvisa.ResourceManager()
        self._inst = rm.open_resource(self.address)
        self._inst.timeout = self.timeout
        self._inst.write("*RST")
        self._inst.write("*CLS")

    def measure_voltage(self, range=10):
        self._inst.write(f"CONF:VOLT:DC {range}")
        return float(self._inst.query("READ?"))

    def close(self):
        if self._inst:
            self._inst.close()
            self._inst = None

    def __enter__(self):
        self.connect()
        return self

    def __exit__(self, exc_type, exc_val, exc_tb):
        self.close()

使用上下文管理器（with 语句）可以确保即使测量过程中发生异常，仪器连接也能被正确释放。这是资源管理的最佳实践，尤其适用于长时间运行的自动化测试任务。

2.4 异常处理：让测试脚本具备自愈能力

仪器控制脚本运行在不可靠的物理链路上，超时、缓冲区溢出、设备未就绪是常态。合理的异常处理不是“防止崩溃”，而是将故障转化为可诊断的信息。Python 的异常体系是分层的，捕获时应当遵循“从具体到一般”的顺序。

try:
    voltage = dmm.measure_voltage()
except TimeoutError:
    log.warning("DMM 读取超时，尝试重新初始化...")
    dmm.close()
    dmm.connect()
    voltage = dmm.measure_voltage()
except (ConnectionError, OSError) as e:
    log.error(f"仪器连接丢失: {e}")
    raise SystemExit(1)
except ValueError as e:
    log.error(f"读数解析失败，原始数据: {e}")
    voltage = float('nan')
finally:
    # 无论成功与否，都记录当前状态
    log.debug(f"当前 DMM 状态: {dmm.query('SYST:ERR?')}")

在自动化测试框架中，建议自定义异常类型（如 InstrumentError），并在底层驱动中统一抛出，上层测试用例只需捕获自定义异常即可，无需关心具体是 GPIB 还是 LAN 通信问题。

2.5 文件操作：从 CSV 到二进制波形

测试数据的持久化是自动化测试的最后一公里。Python 内置的 csv、json、struct 模块足以应对绝大多数场景。对于仪器控制，CSV 适合记录测量结果，JSON 适合保存测试配置，而二进制格式（如 numpy .npy）适合高速波形数据。

import csv
import json
from pathlib import Path

# 保存测试配置
config = {"device": "DMM6500", "channels": [1, 2, 3], "integration_time": 0.01}
with open("test_config.json", "w") as f:
    json.dump(config, f, indent=2)

# 追加写入测量结果
data_file = Path("measurements.csv")
is_new = not data_file.exists()
with open(data_file, "a", newline="") as f:
    writer = csv.writer(f)
    if is_new:
        writer.writerow(["timestamp", "channel", "voltage"])
    writer.writerow(["2025-01-15 10:30:00", 1, 1.2345])

2.6 虚拟环境与包管理：构建可复现的测试环境

自动化测试脚本的生命周期往往长达数年，而第三方库（如 pyvisa、numpy）的版本升级可能引入不兼容的 API 变更。使用虚拟环境是保证“在我机器上能跑”变成“在任何地方都能跑”的唯一可靠方法。

1. 创建虚拟环境：python -m venv .venv（Python 3.3+ 内置）
2. 激活环境：Windows 下 .venv\Scripts\activate，Linux/macOS 下 source .venv/bin/activate
3. 安装依赖：pip install pyvisa pyvisa-py numpy pandas
4. 导出依赖清单：pip freeze > requirements.txt（锁定精确版本）
5. 重建环境：pip install -r requirements.txt

2.7 案例拆解：多通道数据采集脚本的完整闭环

下面通过一个 16 通道温度采集（使用 Keysight 34970A 数据采集仪）的案例，综合运用本章所有知识点。该脚本需要实现：读取配置文件、连接仪器、循环采集、异常重试、数据落盘、生成摘要报告。

背景与约束：测试台架有 16 个 PT100 温度传感器，通过 34970A 的 34901A 模块接入。要求每 5 秒采集一轮，连续运行 8 小时，中途不允许人工干预。初始现象：手动测试时偶尔出现“仪器忙”错误。

关键输入参数：

{
  "address": "GPIB0::9::INSTR",
  "channels": [101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116],
  "scan_interval": 5,
  "duration_hours": 8,
  "output_file": "temp_log.csv"
}

分析判断过程：“仪器忙”通常是因为上一次 SCPI 命令尚未执行完成就发送了新的查询。解决方案是：在每次读取前查询操作完成状态（*OPC?），并增加超时重试机制。

实际操作步骤：

import csv, json, time, logging
from datetime import datetime
from pathlib import Path

logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

class DAQ34970A:
    def __init__(self, address):
        self.address = address
        self._inst = None

    def connect(self):
        import pyvisa
        rm = pyvisa.ResourceManager()
        self._inst = rm.open_resource(self.address)
        self._inst.timeout = 10000
        self._inst.write("*RST")
        self._inst.write("CONF:TEMP:TCOUPLE K, (@101:116)")

    def read_all(self):
        # 触发扫描并等待完成
        self._inst.write("INIT")
        self._inst.write("*OPC?")
        self._inst.read()
        # 读取所有通道
        data = self._inst.query_ascii_values("FETC?")
        return data

    def close(self):
        if self._inst:
            self._inst.close()

def main():
    with open("config.json") as f:
        cfg = json.load(f)

    daq = DAQ34970A(cfg["address"])
    daq.connect()

    end_time = time.time() + cfg["duration_hours"] * 3600
    data_file = Path(cfg["output_file"])

    with open(data_file, "w", newline="") as f:
        writer = csv.writer(f)
        writer.writerow(["timestamp"] + [f"CH{i}" for i in range(1, 17)])

        while time.time() < end_time:
            try:
                values = daq.read_all()
                row = [datetime.now().isoformat()] + values
                writer.writerow(row)
                f.flush()  # 确保数据落盘
                logging.info(f"采集成功: {len(values)} 通道")
            except Exception as e:
                logging.error(f"采集失败: {e}, 尝试重新连接...")
                daq.close()
                time.sleep(2)
                daq.connect()
            time.sleep(cfg["scan_interval"])

    daq.close()
    logging.info("采集完成")

if __name__ == "__main__":
    main()

结果对比与复盘：加入 *OPC? 同步机制后，连续运行 8 小时未出现一次“仪器忙”错误。CSV 文件每 5 秒刷新一次，即使中途断电，已采集数据也不会丢失。复盘发现，query_ascii_values 返回的是 float 列表，直接写入 CSV 无需额外转换，但需要注意通道顺序与硬件扫描列表一致。

2.8 常见误区与总结复盘

• 误区一：在循环中使用 + 拼接字符串生成 SCPI 命令。应使用 f-string 或 .format()，避免创建大量临时字符串对象。
• 误区二：忽略 with 语句管理文件或仪器资源。忘记 close() 会导致文件句柄泄漏或仪器一直处于远程锁定状态。
• 误区三：在虚拟环境外安装包。系统 Python 环境被污染后，不同项目间的依赖冲突将难以排查。
• 误区四：捕获异常后仅 pass 或打印。至少应记录 traceback（logging.exception()），否则排障时无从下手。