在 Python 中，with 语句用于简化资源管理（如文件、网络连接、锁等），背后依赖的是上下文管理器协议：即实现了 __enter__() 和 __exit__() 方法的对象。

---

一、基本概念

with 语句作用：

• 自动调用资源的初始化（进入上下文）
• 自动释放资源（即使发生异常）

基本语法：

with expression as variable:
    # 使用资源的代码块

• expression 是一个返回上下文管理器对象的表达式（必须实现 __enter__() 和 __exit__() 方法）。
• as variable 是可选的，用于接收 __enter__() 的返回值。

背后的机制：

• __enter__()：当进入 with 代码块时被调用，其返回值赋给 as 后的变量。
• __exit__(exc_type, exc_val, exc_tb)：无论 with 块内是否抛出异常，都会被调用以清理资源。

---

二、基本示例

示例 1：文件操作（内建实现了上下文管理器）

with open('example.txt', 'r') as f:
    data = f.read()
# 不需要显式 f.close()，异常也会自动处理

等价于：

f = open('example.txt', 'r')
try:
    data = f.read()
finally:
    f.close()

---

三、自定义上下文管理器（实现 __enter__ / __exit__）

示例 2：自定义资源管理类

class MyContext:
    def __enter__(self):
        print("Entering context...")
        return self

    def __exit__(self, exc_type, exc_value, traceback):
        print("Exiting context...")
        if exc_type:
            print(f"Handled exception: {exc_value}")
        return False  # 如果为 True，异常被吞掉；False 表示异常继续传播

# 使用 with
with MyContext() as ctx:
    print("Inside with block")
    # raise ValueError("Something went wrong")  # 可测试异常处理

---

四、实用场景

示例 3：锁（线程安全）

import threading

lock = threading.Lock()

with lock:
    # 线程安全操作
    pass

示例 4：数据库事务管理（以 SQLAlchemy 为例）

from sqlalchemy.orm import sessionmaker

Session = sessionmaker()
session = Session()

with session.begin():  # 自动提交或回滚
    session.add(some_data)

---

五、使用 contextlib 快速创建上下文管理器

示例 5：用装饰器实现上下文

from contextlib import contextmanager

@contextmanager
def my_resource():
    print("Acquiring resource")
    yield "resource"
    print("Releasing resource")

with my_resource() as r:
    print(f"Using {r}")

---

六、实际应用场景综合示例

下是针对 文件操作、GPU 资源管理（如 PyTorch）、日志管理 等实际应用场景的 with 语句和上下文管理器实战示例，每一个都结合了 __enter__ / __exit__ 的机制，适用于高质量的 Python 工程开发。

---

示例一：文件自动写入上下文管理器

class AutoFileWriter:
    def __init__(self, filename, mode='w'):
        self.filename = filename
        self.mode = mode
        self.file = None

    def __enter__(self):
        print(f"[FileWriter] Opening file: {self.filename}")
        self.file = open(self.filename, self.mode)
        return self.file  # 返回给 with 后的变量

    def __exit__(self, exc_type, exc_value, traceback):
        if self.file:
            print(f"[FileWriter] Closing file: {self.filename}")
            self.file.close()
        if exc_type:
            print(f"[FileWriter] Error: {exc_value}")
        # 返回 False 让异常继续抛出；True 则吞掉异常
        return False

# 使用示例
with AutoFileWriter("output.txt") as f:
    f.write("Hello, file context manager!\n")

---

️ 示例二：PyTorch GPU 自动切换管理器（多 GPU / CPU fallback）

import torch

class DeviceManager:
    def __init__(self, prefer_cuda=True):
        self.device = torch.device("cuda" if prefer_cuda and torch.cuda.is_available() else "cpu")

    def __enter__(self):
        print(f"[DeviceManager] Using device: {self.device}")
        return self.device  # 返回设备对象

    def __exit__(self, exc_type, exc_value, traceback):
        torch.cuda.empty_cache()  # 清除缓存（可选）
        print(f"[DeviceManager] Released GPU memory.")

# 使用示例
with DeviceManager() as device:
    tensor = torch.randn(1000, 1000).to(device)
    result = tensor @ tensor.T

---

示例三：日志上下文管理器（自动开始与结束记录）

import logging
from datetime import datetime

class LoggingContext:
    def __init__(self, section_name):
        self.section_name = section_name

    def __enter__(self):
        self.start_time = datetime.now()
        logging.info(f"[{self.section_name}] Start at {self.start_time}")
        return self

    def __exit__(self, exc_type, exc_val, tb):
        end_time = datetime.now()
        logging.info(f"[{self.section_name}] End at {end_time}, Duration: {end_time - self.start_time}")
        if exc_type:
            logging.error(f"[{self.section_name}] Exception: {exc_val}")
        return False

# 配置日志
logging.basicConfig(level=logging.INFO, format="%(message)s")

# 使用
with LoggingContext("Training Step"):
    # 模拟训练
    import time; time.sleep(2)
    logging.info("Model training... complete.")

---

Bonus：多个上下文组合使用（Python 3.10+ 推荐）

with AutoFileWriter("log.txt") as f, DeviceManager() as device:
    f.write(f"Computation on device: {device}\n")
    t = torch.ones(2, 2).to(device)
    f.write(f"Tensor:\n{t}\n")

---

示例总结说明

场景	管理器类名	资源	自动化操作
文件	AutoFileWriter	文件句柄	自动打开 / 关闭文件
GPU	DeviceManager	torch.device	自动设备分配 / 清理 CUDA 缓存
日志记录	LoggingContext	日志上下文	自动打印开始、结束、异常

---

7、总结

方法	说明
__enter__()	初始化资源，返回给 as 变量
__exit__()	清理资源，处理异常（3 个参数）
contextlib	提供装饰器方式快速创建上下文管理器

---

使用 with 的好处

优点	描述
自动资源释放	无需手动 close()、release() 等
异常安全	发生异常时也能执行清理代码
代码更简洁	避免冗长的 try/finally 结构
可扩展	可以自定义任意资源管理器

---