Python 中用 try/except 替代条件判断符合 EAFP 哲学，更 Pythonic 且线程安全，但仅适用于真正意外的异常；高频抛出会显著降低性能，应避免将异常作为常规控制流。
用 try/except 替代条件判断常见吗？
Python 的异常机制设计上就支持“EAFP”（Easier to Ask for Forgiveness than Permission），即先尝试操作，失败再捕获。这和 C 风格的“LBYL”（Look Before You Leap）不同。比如检查字典键是否存在：if 'key' in d: 是 LBYL；try: value = d['key'] 是 EAFP。两者在语义上等价，但 EAFP 在多数场景下更 Pythonic，也更线程安全（避免竞态条件）。
- 多数内置操作（如
dict.<strong>getitem</strong>、list.<strong>getitem</strong>）抛出异常成本很低，CPython 中已高度优化 - 但前提是异常是“真正意外”的——如果
KeyError每秒发生数千次，说明逻辑本该用dict.get()或预检 - 常见反模式：
try: x = int(s) except ValueError: x = 0用于所有字符串转整数，却不考虑s.strip()或空字符串等可预判情况
raise 和 return 混用控制流会怎样？
有人用自定义异常（如 StopIteration、GeneratorExit）跳出多层嵌套，甚至替代 return。这在极少数场景下可行（比如解析器早期退出），但绝大多数时候会让调用方困惑：
- 异常本意是“中断正常流程”，不是“返回值”
- 调用者没理由去
catch一个本不该发生的ParseDone异常 - 调试时堆栈里全是无关帧，掩盖真正问题
- 工具链（如类型检查器
mypy、IDE 自动补全）无法推断这种“伪返回”的行为
正确做法：用 return 显式返回，或封装为生成器用 yield + break。
哪些异常真适合当控制流用？
标准库中已有明确约定的例外可以接受：
立即学习“Python免费学习笔记（深入）”；
-
StopIteration：迭代器协议强制要求，for循环底层依赖它 -
SystemExit、KeyboardInterrupt：进程级控制信号，不归业务逻辑管 -
GeneratorExit：仅在生成器close()时由解释器抛出
自定义异常若用于控制流，必须满足：
- 名称清晰表明非错误语义（如
ParseComplete而非ParseError） - 仅限私有模块内部，不暴露给外部 API
- 有充分文档说明，且团队达成共识
性能差异到底有多大？
异常开销主要来自三部分：创建异常对象、构建 traceback、栈展开。在无异常触发时，try/except 块本身几乎零成本（CPython 3.11+ 进一步优化了无抛出路径）。但一旦进入 except：
- 创建
ValueError()比return None慢约 20–50 倍（取决于异常类型和消息长度） - 如果启用
traceback（如未被except捕获），慢数百倍 - 真正影响性能的从来不是
try，而是“频繁抛出”
所以关键不是“能不能用”，而是“是否高频”。一个函数每秒抛 10 次 KeyError 可能没问题；每毫秒抛一次就该重构。
异常作为控制流本身没有语法错误，但它的合理性取决于上下文密度——抛得越勤，越说明你本该用条件分支或状态机。最易被忽略的是：异常的语义契约一旦打破，下游所有 except Exception: 都可能意外吞掉本该冒泡的真正错误。
