近日，一则关于Python错误处理与用户输入验证的提问在开发者社区引发热议。原帖标题为“Trying to improve my python error handling with try/except loops. Whats the best way to validate user input without making the code repetitive?”，直击许多初学者乃至中级开发者的痛点——如何在保证健壮性的同时，避免在输入验证环节写出臃肿重复的try/except代码。本文将结合社区最佳实践，系统梳理几种主流解决方案。

为什么try/except循环容易“失控”？

在命令行工具或交互式脚本中，经常需要反复获取用户输入直到合法。新手常见的做法是：

while True:
    try:
        age = int(input("请输入年龄："))
        break
    except ValueError:
        print("输入无效，请重新输入。")

当需要验证多个字段（如年龄、姓名、邮箱）时，这样逐字段写满屏的while-try-except，代码迅速膨胀且难以维护。更糟糕的是，不同输入需要不同的验证规则，重复的结构让后续修改变得头疼。

方案一：函数封装 + 泛化错误处理

最直接的优化是将“重复询问直到合法”的流程抽象为一个通用函数：

def get_valid_input(prompt, cast_func, error_msg="输入无效"):
    while True:
        try:
            return cast_func(input(prompt))
        except (ValueError, TypeError):
            print(error_msg)

age = get_valid_input("年龄：", int, "年龄必须是整数")
email = get_valid_input("邮箱：", str, "输入错误")

通过传入类型转换函数，单行即可完成验证。但这种方法无法处理更复杂的校验（如邮箱格式、范围约束）。

方案二：利用装饰器消除模板代码

装饰器可以把验证逻辑剥离，让输入函数只专注于本身任务：

def retry_on_error(max_attempts=3, error_types=(ValueError,)):
    def decorator(func):
        def wrapper(*args, **kwargs):
            for _ in range(max_attempts):
                try:
                    return func(*args, **kwargs)
                except error_types as e:
                    print(f"错误：{e}，请重试。")
            raise RuntimeError("重试次数耗尽")
        return wrapper
    return decorator

@retry_on_error()
def get_age():
    return int(input("请输入年龄："))

@retry_on_error(error_types=(ValueError, IndexError))
def get_choice():
    items = ["A", "B", "C"]
    idx = int(input("请选择（0-2）："))
    return items[idx]

这种模式将错误处理逻辑集中，业务代码更清晰。但装饰器无法精确控制每次提示的个性化消息。

方案三：采用“验证器”模式（模拟声明式设计）

社区高级玩家推荐将验证规则与输入分离：

class Validator:
    def __init__(self, name, cast_func=None, checks=None):
        self.name = name
        self.cast_func = cast_func or (lambda x: x)
        self.checks = checks or []

    def __call__(self):
        while True:
            raw = input(f"{self.name}：")
            try:
                value = self.cast_func(raw)
                for check in self.checks:
                    check(value)
                return value
            except Exception as e:
                print(f"验证失败：{e}")

age_validator = Validator("年龄", int, checks=[
    lambda x: 0 <= x <= 150 or (_ for _ in ()).throw(ValueError("年龄应在0-150之间"))
])

email_validator = Validator("邮箱", str, checks=[
    lambda x: "@" in x or (_ for _ in ()).throw(ValueError("邮箱需包含@"))
])

age = age_validator()
email = email_validator()

通过lambda巧妙抛出异常，实现了链式校验，且所有验证逻辑集中定义，极大降低了重复。

方案四：引入第三方库（pydantic / attrs）

对于大型项目，Pydantic已成为数据验证的事实标准。结合click或自带输入循环，可以写出类型安全、无需手写try/except的代码：

from pydantic import BaseModel, Field, ValidationError

class UserInput(BaseModel):
    age: int = Field(ge=0, le=150)
    email: str = Field(pattern=r"^[\w\.-]+@[\w\.-]+\.\w+$")

def get_user_input():
    while True:
        raw_age = input("年龄：")
        raw_email = input("邮箱：")
        try:
            return UserInput(age=raw_age, email=raw_email)
        except ValidationError as e:
            for err in e.errors():
                print(f"{err['loc'][0]}：{err['msg']}")

user = get_user_input()

Pydantic自动处理类型转换、范围、正则校验，且错误信息精准。代价是引入约20KB的库依赖。

总结：选择适合你的“武器”

  • 快速脚本：函数封装+lambda校验（方案一、三的简化版）即可。
  • 中型CLI工具：推荐装饰器或验证器模式，二者都能显著减少重复。
  • 大型生产项目：拥抱Pydantic，让类型系统帮你承载所有错误处理逻辑。

无论选择哪种方式，核心原则一致：不要重复写while-try-except结构，而是将“重试逻辑”与“验证规则”抽象为可复用的组件。这不仅能提升代码可读性，更能让你在面对复杂输入时，从容应对，优雅收场。

（本文基于Stack Overflow热度问题「Trying to improve my python error handling with try/except loops」整理拓展，代码示例均已测试通过）