分治法实战：如何把 300 行的“屎山”函数拆解掉

面对一个逻辑极其复杂、嵌套了无数 if-else 的巨型函数，最糟糕的做法就是试图在原代码上打补丁。我之前写过一个报表生成器，要把三个 API 的数据拉回来，跑一遍业务规则再出 PDF。刚开始为了快，直接写了个 300 行的单函数，结果每次改个税率都要在几百行代码里翻找，稍微动一下就导致其他逻辑崩溃，简直像在闭眼拆炸弹。

解决这种问题的核心不在于语法，而在于寻找“接缝（Seams）”。只要能把一个大问题拆成几个互不干扰的小模块，代码的可维护性会瞬间提升。

针对这种复杂逻辑，我习惯把流程强制划分为三个独立层级：

• 数据获取层：只负责调用 API 并将原始数据标准化。
• 业务规则引擎：纯函数处理，输入数据 → 输出结果，不涉及任何 I/O。
• 输出渲染层：只负责把处理好的结果填进 PDF 模板。

这种拆分方式在用 Claude Code 或 Cursor 辅助编程时极其高效，因为你可以给 AI 一个非常明确的单一职责指令，而不是让它在几百行代码中猜测上下文。

改造实操

改造前：典型的“大泥球”模式

这种写法把 I/O、数据转换和业务逻辑全部搅在一起，极难测试。

def generate_report(start_date, end_date):
    # 1. 拉取数据（职责混杂）
    raw_a = fetch_api_a(start_date, end_date)
    raw_b = fetch_api_b(start_date, end_date)
    raw_c = fetch_api_c(start_date, end_date)

    # 2. 标准化（逻辑散乱）
    data = []
    for item in raw_a + raw_b + raw_c:
        if item['type'] == 'sale':
            data.append({
                'amount': item['value'] * 1.08, # 税率硬编码
                'date': item['timestamp'][:10],
                'category': map_category(item['code'])
            })
        # 后面还跟着几十个 elif...

    # 3. 执行业务规则（与循环耦合）
    total = 0
    for d in data:
        if d['date'] >= '2024-01-01':
            d['amount'] *= 1.05 # 促销逻辑
        if d['category'] == 'electronics':
            d['amount'] *= 0.9 # 折扣逻辑
        total += d['amount']

    # 4. 渲染 PDF（与数据准备混在一起）
    pdf = FPDF()
    pdf.add_page()
    pdf.set_font("Arial", size=12)
    pdf.cell(0, 10, f"Report Total: {total:.2f}", ln=1)
    # ... 更多渲染代码
    pdf.output("report.pdf")

改造后：分治工作流

我将逻辑解耦为三个纯净的函数，这样每个部分都可以独立写单元测试。

# -------------------------------------------------
# 1. 数据获取层：仅负责 I/O 和初步清洗
# -------------------------------------------------
def fetch_all_data(start_date, end_date):
    raw_data = fetch_api_a(start_date, end_date) + \
               fetch_api_b(start_date, end_date) + \
               fetch_api_c(start_date, end_date)
    return [normalize_item(item) for item in raw_data]

# -------------------------------------------------
# 2. 业务规则层：纯函数，无副作用
# -------------------------------------------------
def apply_business_rules(data):
    processed_data = []
    for item in data:
        amount = item['amount']
        if item['date'] >= '2024-01-01':
            amount *= 1.05
        if item['category'] == 'electronics':
            amount *= 0.9
        processed_data.append({**item, 'amount': amount})
    return processed_data

# -------------------------------------------------
# 3. 渲染层：只关注表现层
# -------------------------------------------------
def render_pdf_report(data, output_path):
    pdf = FPDF()
    # ... 渲染逻辑
    pdf.output(output_path)

通过这种方式，如果以后 API 字段变了，我只需要改 fetch_all_data；如果促销政策变了，我只需要改 apply_business_rules。这种从零构建清晰工作流的习惯，比死磕任何一个具体的 AI 提示词都要有用。