python服务崩溃不重启主因是supervisord的autorestart=unexpected默认配置未覆盖退出码0或sigkill场景，应设autorestart=true并配startsecs=5、exitcodes=0,2；connectionreseterror多为客户端断连非服务异常，需通过gunicorn日志降级和nginx proxy_ignore_client_abort处理；pip依赖不一致源于未锁版本或--no-deps误用，须用pip freeze生成requirements.txt并禁用--no-deps；gil仅影响cpu密集型任务，并发选型应实测threadpoolexecutor与processpoolexecutor耗时，而非凭经验。
Python 进程崩溃后不自动重启？检查 supervisord 的 autorestart 和 startsecs
生产里 Python 服务挂了却没拉起来，大概率不是代码问题，而是进程管理配置没兜住。比如用 supervisord 时，autorestart=unexpected 是默认值，意味着只有非 0 退出码才重启；但有些脚本异常退出时返回 0，或者被 SIGKILL 干掉——这两种情况 supervisord 都不会触发重启。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
autorestart=true更稳妥，但得配合startsecs（比如设为 5），避免进程秒启秒挂导致无限循环 - 加
exitcodes=0,2显式声明哪些退出码算“正常”，防止误判 - 用
supervisorctl status看实际退出码，别只盯日志里“killed”这种模糊描述 - 如果用
systemd，对应要检查Restart=on-failure和RestartSec=5
日志里满屏 ConnectionResetError: [Errno 104] Connection reset by peer？先确认是不是客户端提前断连
这不是 Python 服务本身出错，而是下游（浏览器、移动端、Nginx）在请求中途关闭了连接。Python 的 socket 层或 WSGI 服务器（如 gunicorn）捕获到这个系统级错误后，会照常打 traceback，容易误判为服务不稳定。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 在
gunicorn中加--capture-output和--log-level warning，把这类错误降级，避免刷屏 - 用
nginx作反向代理时，在location块里加proxy_ignore_client_abort on;，让 Nginx 主动接管断连处理 - 真正要关注的是
BrokenPipeError或ConnectionAbortedError出现在业务逻辑内部（比如写响应体中途），那才说明服务端有未处理的 I/O 异常
pip install 装包后线上行为不一致？锁定 requirements.txt 且禁用 --no-deps
开发机装完能跑，部署后报 ModuleNotFoundError 或函数签名错，八成是依赖版本漂移。比如 requests 升到 2.32 后默认启用 httpx 底层，而你的代码假设它还走 urllib3；或者 pydantic 从 v1 切到 v2，BaseModel 行为变了。
蓝海豚PHP购物导航程序（以下简称 LSV！）是蓝海豚项目组随着Lht团购导航软件之后推出的又一套通用的PHP开源购物导航软件系统。作为国内最大的电子商务导航软件及服务提供商，蓝海豚旗下的LSV产品，无论在功能、稳定性、负载能力、安全保障等方面都居于国内外同类产品领先地位，是目前全国成熟度最高、覆盖率最大的电子商务购物软件系统程序。使用蓝海豚购物导航程序建站有以下四大优势： 1：技术领先，程序稳
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 生成锁文件必须用
pip freeze > requirements.txt（不是pip list --outdated），且上线前pip install -r requirements.txt --no-deps是危险操作——它跳过子依赖校验 - CI/CD 流水线里加一步
pip check，验证已安装包之间无冲突 - 容器镜像构建时用
python -m pip install --no-cache-dir -r requirements.txt，避免 pip 缓存污染不同环境
GIL 没拖慢 CPU 密集型任务？那是你没真压测多线程场景
很多人听说“Python 有 GIL 所以多线程不能并行”，就直接上 multiprocessing。但实际中，如果你的任务本质是 I/O 等待（比如发 HTTP 请求、读数据库），threading 不仅够用，而且更轻量；盲目切 multiprocessing 反而因进程开销和序列化带来性能倒退。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
time.perf_counter()+concurrent.futures.ThreadPoolExecutor和ProcessPoolExecutor对同一任务压测，看真实耗时差异，别凭印象选 - CPU 密集型任务（如图像处理、数值计算）确实该用
multiprocessing，但注意max_workers别设成 CPU 核数的 2 倍——Python 进程间通信成本高，通常设为核数即可 - 若要用多进程又需共享状态，优先考虑
multiprocessing.Manager()，而不是全局变量+fork，后者在 Linux 下可能引发内存泄漏
稳定性不是靠堆工具，而是每个环节都留一手验证：进程是否真重启了、日志里哪类错误该忽略、依赖版本是否在所有环境一致、并发模型是否经得起实测。这些点单独看都不难，但漏掉任意一个，线上就可能变成定时炸雷。
