Also known as stack backtrace, stack traceback, traceback, backtrace
report of the active stack frames at a certain point in time during the execution of a program
Трассировка стека (от англ. stack trace) — это отчёт о действующих кадрах стека в определённый момент времени во время выполнения программы. Когда программа запускается, память обычно динамически выделяется в двух местах; на стеке и в куче . Память постоянно выделяется на стеке, но не обязательно в куче. Каждый раз, когда функция вызывается в программе, блок памяти выделяется поверх исполняющегося кадра стека. На высоком уровне, кадр выделяется чтобы содержать параметры функции и локальные переменные, объявленные в ней. Программисты обычно используют трассировку стека во время интерактивной а также посмертной отладки. Конечные пользователи могут увидеть трассировку стека как часть сообщения об ошибке, о которой они могут затем сообщить программисту. Трассировка стека позволяет отслеживать последовательность вызванных функций - до точки, в которой трассировка стека была создана. В посмертном сценарии это распространяется на функцию, в которой произошел сбой (что не обязательно там же где он был создан). В качестве примера, следующая программа Python содержит ошибку. def a: i = 0 j = b(i) return jdef b(z): k = 5 if z == 0: c return k + zdef c: errora При запуске программы в стандартном интерпретаторе Python появляется следующее сообщение об ошибке. Traceback (most recent call last): File "tb.py", line 15, in a File "tb.py", line 3, in a j = b(i) File "tb.py", line 9, in b c File "tb.py", line 13, in c errorNameError: name 'error' is not defined Трассировка стека в показывает что ошибка возникла в функции c . Она также показывает, что функция c была вызвана функцией b, которая была вызвана функцией a, которая, в свою очередь, была вызван кодом на 15-ой строке (она же последняя строка) программы. Стековые кадры каждой из этих трёх функций были-бы расположены в стеке таким образом, чтобы функция a занимала нижнюю часть стека, а функция c - верхнюю.
Abstract from DBpedia / Wikipedia · CC BY-SA
Discovered by embedding cosine similarity (sentence-transformers MiniLM, 384-dim).