Submódulo 2: Depuração prática: estratégias, ferramentas e técnicas

Visão geral da depuração ágil

Vamos tratar a depuração como um hábito de engenharia de software que aumenta a confiabilidade do código. Assim como revisamos um fluxo de produção para entender onde algo pode estar inadequado, a depuração envolve entender o problema antes de corrigi-lo. (1) O PDB, o depurador do Python, é uma ferramenta poderosa para inspecionar o estado do código durante a execução. (2) Além disso, registrar informações com o logging ajuda a rastrear o que aconteceu sem interromper a execução. (3) Mensagens de erro e stack traces fornecem pistas valiosas para chegar à raiz do problema. Pense na depuração como uma investigação: começamos pela evidência, testamos hipóteses e registramos cada passo para não perder o rumo. > Vamos ver como isso se traduz em práticas reais. Imagine que você está migrando de um projeto de dados para desenvolvimento de uma API simples. Primeiro, você precisa entender onde o problema ocorre, não apenas qual é o erro, e isso requer reproduzir a falha com dados controlados. (4) Em equipes que seguem DevOps, a depuração frequente de failures em ambientes de integração contínua reduz o tempo entre detectar e corrigir um problema. (5) A prática constante de depuração também alimenta o seu portfólio, pois você mostra não apenas o código funcionando, mas o raciocínio de diagnóstico por trás dele.