网络程序稳定性关键在于出错后快速恢复，需分类处理异常、用 tenacity 实现带退避和次数限制的可控重试，保障状态一致性，并通过日志、指标与告警提升可观测性。
网络程序的稳定性不取决于“不出错”，而在于“出错后能否快速恢复”。Python 中网络操作（如 HTTP 请求、Socket 通信、数据库连接）天然易受超时、断连、服务不可用等干扰，设计异常恢复机制是保障可用性的核心环节。
明确异常类型，分类处理而非一概重试
盲目重试可能加剧问题（如服务已崩溃、参数错误、权限不足）。应先识别异常本质：
- 连接类异常（
ConnectionError、TimeoutError、socket.timeout）：适合有限次重试 + 指数退避 - 响应类异常 （HTTP 5xx、空响应、JSON 解析失败）：需检查 状态码 或响应体，避免对 4xx（如 400/401/404）重试
- 逻辑类异常（数据校验失败、业务规则冲突）：属程序逻辑问题，重试无效，应记录并告警
用 retrying 或 tenacity 实现可控重试
手动写 while+try 很容易遗漏退避、次数限制或上下文清理。推荐使用成熟库：
- 用
tenacity（更现代、支持异步）定义重试策略：
from tenacity import retry, stop_after_attempt, wait_exponential, retry_if_exception_type @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=1, max=10), retry=retry_if_exception_type((requests.ConnectionError, requests.Timeout)) ) def fetch_data(url): return requests.get(url, timeout=5).json()- 关键点：设上限（防雪崩）、加退避（减压）、限定异常类型（不捕获 ValueError 等）
保持状态可恢复，避免“半截操作”
网络调用常伴随本地状态变更（如写缓存、更新数据库标记、发消息）。若请求中途失败，需确保状态一致：
立即学习“Python 免费学习笔记（深入）”；
- 优先采用幂等设计：接口支持重复调用不产生副作用（如用唯一 ID 去重）
- 若无法幂等，用事务或补偿机制：例如发送消息前先落库“待发送”状态，成功后再更新为“已发送”，失败则由后台任务扫描重试
- 避免在重试逻辑中修改共享变量（如全局计数器、未加锁的列表），引发竞态
监控与可观测性是恢复的前提
没有日志和指标，就无法判断是偶发抖动还是系统性故障：
- 记录每次重试的触发原因、重试次数、耗时、最终结果（成功 / 失败 / 放弃）
- 暴露关键指标到 Prometheus：如
http_request_retries_total{endpoint="api/v1/user", status="failed"} - 对高频重试或连续失败的服务端点自动告警（如 5 分钟内失败率 > 20%）
