来源:http://www.jb51.net/article/59867.htm
来源:http://blog.csdn.net/mdl13412/article/details/22608283
这篇文章主要介绍了Python中的装饰器用法,以实例形式详细的分析了Python中的装饰器的使用技巧及相关注意事项,具有一定参考借鉴价值,需要的朋友可以参考下
本文实例讲述了Python中的装饰器用法。分享给大家供大家参考。具体分析如下:
这里还是先由stackoverflow上面的一个问题引起吧,如果使用如下的代码:
@makeitalic
def say():
return "Hello"
打印出如下的输出:
<b><i>Hello<i></b>
你会怎么做?最后给出的答案是:
def wrapped():
return "<b>" + fn() + "</b>"
return wrapped
def makeitalic(fn):
def wrapped():
return "<i>" + fn() + "</i>"
return wrapped
@makebold
@makeitalic
def hello():
return "hello world"
print hello() ## 返回 <b><i>hello world</i></b>
现在我们来看看如何从一些最基础的方式来理解Python的装饰器。
装饰器是一个很著名的设计模式,经常被用于有切面需求的场景,较为经典的有插入日志、性能测试、事务处理等。装饰器是解决这类问题的绝佳设计,有了装饰器,我们就可以抽离出大量函数中与函数功能本身无关的雷同代码并继续重用。概括的讲,装饰器的作用就是为已经存在的对象添加额外的功能。
1.1. 需求是怎么来的?
装饰器的定义很是抽象,我们来看一个小例子。
print 'in foo()'
foo()
这是一个很无聊的函数没错。但是突然有一个更无聊的人,我们称呼他为B君,说我想看看执行这个函数用了多长时间,好吧,那么我们可以这样做:
def foo():
start = time.clock()
print 'in foo()'
end = time.clock()
print 'used:', end - start
foo()
很好,功能看起来无懈可击。可是蛋疼的B君此刻突然不想看这个函数了,他对另一个叫foo2的函数产生了更浓厚的兴趣。
怎么办呢?如果把以上新增加的代码复制到foo2里,这就犯了大忌了~复制什么的难道不是最讨厌了么!而且,如果B君继续看了其他的函数呢?
1.2. 以不变应万变,是变也
还记得吗,函数在Python中是一等公民,那么我们可以考虑重新定义一个函数timeit,将foo的引用传递给他,然后在timeit中调用foo并进行计时,这样,我们就达到了不改动foo定义的目的,而且,不论B君看了多少个函数,我们都不用去修改函数定义了!
def foo():
print 'in foo()'
def timeit(func):
start = time.clock()
func()
end =time.clock()
print 'used:', end - start
timeit(foo)
看起来逻辑上并没有问题,一切都很美好并且运作正常!……等等,我们似乎修改了调用部分的代码。原本我们是这样调用的:foo(),修改以后变成了:timeit(foo)。这样的话,如果foo在N处都被调用了,你就不得不去修改这N处的代码。或者更极端的,考虑其中某处调用的代码无法修改这个情况,比如:这个函数是你交给别人使用的。
1.3. 最大限度地少改动!
既然如此,我们就来想想办法不修改调用的代码;如果不修改调用代码,也就意味着调用foo()需要产生调用timeit(foo)的效果。我们可以想到将timeit赋值给foo,但是timeit似乎带有一个参数……想办法把参数统一吧!如果timeit(foo)不是直接产生调用效果,而是返回一个与foo参数列表一致的函数的话……就很好办了,将timeit(foo)的返回值赋值给foo,然后,调用foo()的代码完全不用修改!
import time
def foo():
print 'in foo()'
# 定义一个计时器,传入一个,并返回另一个附加了计时功能的方法
def timeit(func):
# 定义一个内嵌的包装函数,给传入的函数加上计时功能的包装
def wrapper():
start = time.clock()
func()
end =time.clock()
print 'used:', end - start
# 将包装后的函数返回
return wrapper
foo = timeit(foo)
foo()
这样,一个简易的计时器就做好了!我们只需要在定义foo以后调用foo之前,加上foo = timeit(foo),就可以达到计时的目的,这也就是装饰器的概念,看起来像是foo被timeit装饰了。在在这个例子中,函数进入和退出时需要计时,这被称为一个横切面(Aspect),这种编程方式被称为面向切面的编程(Aspect-Oriented Programming)。与传统编程习惯的从上往下执行方式相比较而言,像是在函数执行的流程中横向地插入了一段逻辑。在特定的业务领域里,能减少大量重复代码。面向切面编程还有相当多的术语,这里就不多做介绍,感兴趣的话可以去找找相关的资料。
这个例子仅用于演示,并没有考虑foo带有参数和有返回值的情况,完善它的重任就交给你了 :)
上面这段代码看起来似乎已经不能再精简了,Python于是提供了一个语法糖来降低字符输入量。
def timeit(func):
def wrapper():
start = time.clock()
func()
end =time.clock()
print 'used:', end - start
return wrapper
@timeit
def foo():
print 'in foo()'
foo()
重点关注第11行的@timeit,在定义上加上这一行与另外写foo = timeit(foo)完全等价, 千万不要以为@有另外的魔力。除了字符输入少了一些,还有一个额外的好处:这样看上去更有装饰器的感觉。
要理解python的装饰器,我们首先必须明白在Python中函数也是被视为对象(在python中一切都是对象)。在python中一切都是对象这一点很重要。先看一个例子:
return word.capitalize()+" !"
print shout()
# 输出 : 'Yes !'
# 作为一个对象,你可以把函数赋给任何其他对象变量
scream = shout
# 注意我们没有使用圆括号,因为我们不是在调用函数
# 我们把函数shout赋给scream,也就是说你可以通过scream调用shout
print scream()
# 输出 : 'Yes !'
# 还有,你可以删除旧的名字shout,但是你仍然可以通过scream来访问该函数
del shout
try :
print shout()
except NameError, e :
print e
#输出 : "name 'shout' is not defined"
print scream()
# 输出 : 'Yes !'
我们暂且把这个话题放旁边,我们先看看python另外一个很有意思的属性:可以在函数中定义函数:
# 你可以在talk中定义另外一个函数
def whisper(word="yes") :
return word.lower()+"...";
# ... 并且立马使用它
print whisper()
# 你每次调用'talk',定义在talk里面的whisper同样也会被调用
talk()
# 输出 :
# yes...
# 但是"whisper" 不会单独存在:
try :
print whisper()
except NameError, e :
print e
#输出 : "name 'whisper' is not defined"*
函数引用
从以上两个例子我们可以得出,函数既然作为一个对象,因此:
1. 其可以被赋给其他变量
2. 其可以被定义在另外一个函数内
这也就是说,函数可以返回一个函数,看下面的例子:
# 我们定义另外一个函数
def shout(word="yes") :
return word.capitalize()+" !"
def whisper(word="yes") :
return word.lower()+"...";
# 然后我们返回其中一个
if type == "shout" :
# 我们没有使用(),因为我们不是在调用该函数
# 我们是在返回该函数
return shout
else :
return whisper
# 然后怎么使用呢 ?
# 把该函数赋予某个变量
talk = getTalk()
# 这里你可以看到talk其实是一个函数对象:
print talk
#输出 : <function shout at 0xb7ea817c>
# 该对象由函数返回的其中一个对象:
print talk()
# 或者你可以直接如下调用 :
print getTalk("whisper")()
#输出 : yes...
还有,既然可以返回一个函数,我们可以把它作为参数传递给函数:
print "I do something before then I call the function you gave me"
print func()
doSomethingBefore(scream)
#输出 :
#I do something before then I call the function you gave me
#Yes !
这里你已经足够能理解装饰器了,其他它可被视为封装器。也就是说,它能够让你在装饰前后执行代码而无须改变函数本身内容。
手工装饰
那么如何进行手动装饰呢?
def my_shiny_new_decorator(a_function_to_decorate) :
# 在内部定义了另外一个函数:一个封装器。
# 这个函数将原始函数进行封装,所以你可以在它之前或者之后执行一些代码
def the_wrapper_around_the_original_function() :
# 放一些你希望在真正函数执行前的一些代码
print "Before the function runs"
# 执行原始函数
a_function_to_decorate()
# 放一些你希望在原始函数执行后的一些代码
print "After the function runs"
#在此刻,"a_function_to_decrorate"还没有被执行,我们返回了创建的封装函数
#封装器包含了函数以及其前后执行的代码,其已经准备完毕
return the_wrapper_around_the_original_function
# 现在想象下,你创建了一个你永远也不远再次接触的函数
def a_stand_alone_function() :
print "I am a stand alone function, don't you dare modify me"
a_stand_alone_function()
#输出: I am a stand alone function, don't you dare modify me
# 好了,你可以封装它实现行为的扩展。可以简单的把它丢给装饰器
# 装饰器将动态地把它和你要的代码封装起来,并且返回一个新的可用的函数。
a_stand_alone_function_decorated = my_shiny_new_decorator(a_stand_alone_function)
a_stand_alone_function_decorated()
#输出 :
#Before the function runs
#I am a stand alone function, don't you dare modify me
#After the function runs
现在你也许要求当每次调用a_stand_alone_function时,实际调用却是a_stand_alone_function_decorated。实现也很简单,可以用my_shiny_new_decorator来给a_stand_alone_function重新赋值。
a_stand_alone_function()
#输出 :
#Before the function runs
#I am a stand alone function, don't you dare modify me
#After the function runs
# And guess what, that's EXACTLY what decorators do !
装饰器揭秘
前面的例子,我们可以使用装饰器的语法:
def another_stand_alone_function() :
print "Leave me alone"
another_stand_alone_function()
#输出 :
#Before the function runs
#Leave me alone
#After the function runs
当然你也可以累积装饰:
def wrapper() :
print "</''''''\>"
func()
print "<\______/>"
return wrapper
def ingredients(func) :
def wrapper() :
print "#tomatoes#"
func()
print "~salad~"
return wrapper
def sandwich(food="--ham--") :
print food
sandwich()
#输出 : --ham--
sandwich = bread(ingredients(sandwich))
sandwich()
#outputs :
#</''''''\>
# #tomatoes#
# --ham--
# ~salad~
#<\______/>
使用python装饰器语法:
@ingredients
def sandwich(food="--ham--") :
print food
sandwich()
#输出 :
#</''''''\>
# #tomatoes#
# --ham--
# ~salad~
#<\______/>
装饰器的顺序很重要,需要注意:
@bread
def strange_sandwich(food="--ham--") :
print food
strange_sandwich()
#输出 :
##tomatoes#
#</''''''\>
# --ham--
#<\______/>
# ~salad~
最后回答前面提到的问题:
def makebold(fn):
# 结果返回该函数
def wrapper():
# 插入一些执行前后的代码
return "<b>" + fn() + "</b>"
return wrapper
# 装饰器makeitalic用于转换为斜体
def makeitalic(fn):
# 结果返回该函数
def wrapper():
# 插入一些执行前后的代码
return "<i>" + fn() + "</i>"
return wrapper
@makebold
@makeitalic
def say():
return "hello"
print say()
#输出: <b><i>hello</i></b>
# 等同于
def say():
return "hello"
say = makebold(makeitalic(say))
print say()
#输出: <b><i>hello</i></b>
内置的装饰器
内置的装饰器有三个,分别是staticmethod、classmethod和property,作用分别是把类中定义的实例方法变成静态方法、类方法和类属性。由于模块里可以定义函数,所以静态方法和类方法的用处并不是太多,除非你想要完全的面向对象编程。而属性也不是不可或缺的,Java没有属性也一样活得很滋润。从我个人的Python经验来看,我没有使用过property,使用staticmethod和classmethod的频率也非常低。
def __init__(self, name):
self._name = name
@staticmethod
def newRabbit(name):
return Rabbit(name)
@classmethod
def newRabbit2(cls):
return Rabbit('')
@property
def name(self):
return self._name
这里定义的属性是一个只读属性,如果需要可写,则需要再定义一个setter:
def name(self, name):
self._name = name
functools模块
functools模块提供了两个装饰器。这个模块是Python 2.5后新增的,一般来说大家用的应该都高于这个版本。但我平时的工作环境是2.4 T-T
2.3.1. wraps(wrapped[, assigned][, updated]):
这是一个很有用的装饰器。看过前一篇反射的朋友应该知道,函数是有几个特殊属性比如函数名,在被装饰后,上例中的函数名foo会变成包装函数的名字wrapper,如果你希望使用反射,可能会导致意外的结果。这个装饰器可以解决这个问题,它能将装饰过的函数的特殊属性保留。
import functools
def timeit(func):
@functools.wraps(func)
def wrapper():
start = time.clock()
func()
end =time.clock()
print 'used:', end - start
return wrapper
@timeit
def foo():
print 'in foo()'
foo()
print foo.__name__
首先注意第5行,如果注释这一行,foo.__name__将是'wrapper'。另外相信你也注意到了,这个装饰器竟然带有一个参数。实际上,他还有另外两个可选的参数,assigned中的属性名将使用赋值的方式替换,而updated中的属性名将使用update的方式合并,你可以通过查看functools的源代码获得它们的默认值。对于这个装饰器,相当于wrapper = functools.wraps(func)(wrapper)。
2.3.2. total_ordering(cls):
这个装饰器在特定的场合有一定用处,但是它是在Python 2.7后新增的。它的作用是为实现了至少__lt__、__le__、__gt__、__ge__其中一个的类加上其他的比较方法,这是一个类装饰器。如果觉得不好理解,不妨仔细看看这个装饰器的源代码:
"""Class decorator that fills in missing ordering methods"""
convert = {
'__lt__': [('__gt__', lambda self, other: other < self),
('__le__', lambda self, other: not other < self),
('__ge__', lambda self, other: not self < other)],
'__le__': [('__ge__', lambda self, other: other <= self),
('__lt__', lambda self, other: not other <= self),
('__gt__', lambda self, other: not self <= other)],
'__gt__': [('__lt__', lambda self, other: other > self),
('__ge__', lambda self, other: not other > self),
('__le__', lambda self, other: not self > other)],
'__ge__': [('__le__', lambda self, other: other >= self),
('__gt__', lambda self, other: not other >= self),
('__lt__', lambda self, other: not self >= other)]
}
roots = set(dir(cls)) & set(convert)
if not roots:
raise ValueError('must define at least one ordering operation: < > <= >=')
root = max(roots) # prefer __lt__ to __le__ to __gt__ to __ge__
for opname, opfunc in convert[root]:
if opname not in roots:
opfunc.__name__ = opname
opfunc.__doc__ = getattr(int, opname).__doc__
setattr(cls, opname, opfunc)
return cls
浅谈Python装饰器
By 马冬亮(凝霜 Loki)
一个人的战争(http://blog.csdn.net/MDL13412)
前置知识
一级对象
Python将一切视为 objec t的子类,即一切都是对象,因此函数可以像变量一样被指向和传递,我们来看下面的例子:
其运行结果如下:上述代码说明了Python 中的函数是 object 的子类,下面让我们看函数被当作参数传递时的效果:
- True
其运行结果如下:
- def foo(func):
- func()
- def bar():
- print "bar"
- foo(bar)
- bar
Python中的namespace
Python中通过提供 namespace 来实现重名函数/方法、变量等信息的识别,其一共有三种 namespace,分别为:
- local namespace: 作用范围为当前函数或者类方法
- global namespace: 作用范围为当前模块
- build-in namespace: 作用范围为所有模块
当函数/方法、变量等信息发生重名时,Python会按照 local namespace -> global namespace -> build-in namespace的顺序搜索用户所需元素,并且以第一个找到此元素的 namespace 为准。
下面以系统的 build-in 函数 str 为例进行说明:
首先定义三个 global namespace 的函数 str、 foo 和 bar,然后在 foo 函数中定义一个内嵌的 local namespace 的函数 str,然后在函数 foo 和 bar 中分别调用 str("dummy"),其运行结果如下所示:
- def str(s):
- print "global str()"
- def foo():
- def str(s):
- print "closure str()"
- str("dummy")
- def bar():
- str("dummy")
- foo()
- bar()
通过编码实验,我们可以看到:
- closure str()
- global str()
下面我们使用Python内置的 `ocals() 和 globals() 函数查看不同 namespace 中的元素定义:
- foo 中调用 str 函数时,首先搜索 local namespace,并且成功找到了所需的函数,停止搜索,使用此namespace 中的定义
- bar 中调用 str 函数时,首先搜索 local namespace,但是没有找到str 方法的定义,因此继续搜索 global namespace,并成功找到了str 的定义,停止搜索,并使用此定义
运行结果如下:
- var = "var in global"
- def fun():
- var = "var in fun"
- print "fun: " + str(locals())
- print "globals: " + str(globals())
- fun()
通过运行结果,我们看到了 fun 定义了 local namespace 的变量 var,在 global namespace 有一个全局的 var 变量,那么当在 global namespace 中直接访问 var 变量的时候,将会得到 var = "var in global" 的定义,而在 fun 函数的 local namespace 中访问 var 变量,则会得到 fun 私有的 var = "var in fun" 定义。
- globals: {'__builtins__': <module '__builtin__' (built-in)>, '__file__': 'a.py', '__package__': None, 'fun': <function fun at 0x7f2ca74f66e0>, 'var': 'var in global', '__name__': '__main__', '__doc__': None}
- fun: {'var': 'var in fun'}
*args and **kwargs
- *args: 把所有的参数按出现顺序打包成一个 list
- **kwargs:把所有 key-value 形式的参数打包成一个 dict
下面给出一个 *args 的例子:
其运行结果如下:
- params_list = (1, 2)
- params_tupple = (1, 2)
- def add(x, y):
- print x + y
- add(*params_list)
- add(*params_tupple)
**kwargs 的例子:
- 3
- 3
其运行结果如下:
- params = {
- 'x': 1,
- 'y': 2
- }
- def add(x, y):
- print x + y
- add(**params)
- 3
闭包
下面给出一个使用闭包实现的 logger factory的例子:
- <a target="_blank" href="http://zh.wikipedia.org/zh-cn/%E9%97%AD%E5%8C%85_(%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6)">闭包在维基百科上的定义</a>如下: 在计算机科学中,闭包(Closure)是词法闭包(Lexical Closure)的简称,是引用了自由变量的函数。这个被引用的自由变量将和这个函数一同存在,即使已经离开了创造它的环境也不例外。所以,有另一种说法认为闭包是由函数和与其相关的引用环境组合而成的实体。
其运行结果如下:
- def logger_facroty(prefix="", with_prefix=True):
- if with_prefix:
- def logger(msg):
- print prefix + msg
- return logger
- else:
- def logger(msg):
- print msg
- return logger
- logger_with_prefix = logger_facroty("Prefix: ")
- logger_without_prefix = logger_facroty(with_prefix=False)
- logger_with_prefix("msg")
- logger_without_prefix("msg")
在上面这个闭包的例子中, prefix 变量时所谓的自由变量,其在 return logger 执行完毕后,便脱离了创建它的环境 logger_factory,但因为其被 logger_factory 中定义的 logger 函数所引用,其生命周期将至少和 logger 函数相同。这样,在 logger 中就可以引用到 logger_factory 作用域内的变量 prefix。
- Prefix: msg
- msg
将闭包与 namespace 结合起来:其运行结果如下:
- var = "var in global"
- def fun_outer():
- var = "var in fun_outer"
- unused_var = "this var is not used in fun_inner"
- print "fun_outer: " + var
- print "fun_outer: " + str(locals())
- print "fun_outer: " + str(id(var))
- def fun_inner():
- print "fun_inner: " + var
- print "fun_inner: " + str(locals())
- print "fun_inner: " + str(id(var))
- return fun_inner
- fun_outer()()
在这个例子中,当 fun_outer 被定义时,其内部的定义的 fun_inner 函数对 print "fun_inner: " + var中所引用的 var 变量进行搜索,发现第一个被搜索到的 var 定义在 fun_outer 的 local namespace 中,因此使用此定义,通过 print "fun_outer: " + str(id(var)) 和 print "fun_inner: " + str(id(var)),当 var 超出 fun_outer 的作用域后,依然存活,而 fun_outer 中的 unused_var 变量由于没有被 fun_inner 所引用,因此会被 GC。
- fun_outer: var in fun_outer
- fun_outer: {'var': 'var in fun_outer', 'unused_var': 'this var is not used in fun_inner'}
- fun_outer: 140228141915584
- fun_inner: var in fun_outer
- fun_inner: {'var': 'var in fun_outer'}
- fun_inner: 140228141915584
探索装饰器
定义
- <a target="_blank" href="http://en.wikipedia.org/wiki/Python_syntax_and_semantics#Decorators">点击打开装饰器在维基百科上的定义链接</a>如下: A decorator is any callable Python object that is used to modify a function, method or class definition.
基本语法
语法糖
其等价于:
- @bar
- def foo():
- print "foo"
- def foo():
- print "foo"
- foo = bar(foo)
无参数装饰器
foo 函数被用作装饰器,其本身接收一个函数对象作为参数,然后做一些工作后,返回接收的参数,供外界调用。
- def foo(func):
- print 'decorator foo'
- return func
- @foo
- def bar():
- print 'bar'
- bar()
注意: 时刻牢记 @foo 只是一个语法糖,其本质是 foo = bar(foo)
带参数装饰器
上述代码想要实现一个性能分析器,并接收一个参数,来控制性能分析器是否生效,其运行效果如下所示:
- import time
- def function_performance_statistics(trace_this=True):
- if trace_this:
- def performace_statistics_delegate(func):
- def counter(*args, **kwargs):
- start = time.clock()
- func(*args, **kwargs)
- end =time.clock()
- print 'used time: %d' % (end - start, )
- return counter
- else:
- def performace_statistics_delegate(func):
- return func
- return performace_statistics_delegate
- @function_performance_statistics(True)
- def add(x, y):
- time.sleep(3)
- print 'add result: %d' % (x + y,)
- @function_performance_statistics(False)
- def mul(x, y=1):
- print 'mul result: %d' % (x * y,)
- add(1, 1)
- mul(10)
上述代码中装饰器的调用等价于:
- add result: 2
- used time: 0
- mul result: 10
- add = function_performance_statistics(True)(add(1, 1))
- mul = function_performance_statistics(False)(mul(10))
类的装饰器
类的装饰器不常用,因此只简单介绍。
上述代码的 inject 装饰器为类动态的添加一个 bar 方法,因为类在调用非静态方法的时候会传进一个 self 指针,因此 bar 的第一个参数我们简单的忽略即可,其运行结果如下:
- def bar(dummy):
- print 'bar'
- def inject(cls):
- cls.bar = bar
- return cls
- @inject
- class Foo(object):
- pass
- foo = Foo()
- foo.bar()
- bar
类装饰器
类装饰器相比函数装饰器,具有灵活度大,高内聚、封装性等优点。其实现起来主要是靠类内部的 __call__ 方法,当使用 @ 形式将装饰器附加到函数上时,就会调用此方法,下面时一个实例:
其运行结果如下:
- class Foo(object):
- def __init__(self, func):
- super(Foo, self).__init__()
- self._func = func
- def __call__(self):
- print 'class decorator'
- self._func()
- @Foo
- def bar():
- print 'bar'
- bar()
- class decorator
- bar
内置装饰器
Python中内置的装饰器有三个: staticmethod、classmethod 和property
staticmethod 是类静态方法,其跟成员方法的区别是没有 self 指针,并且可以在类不进行实例化的情况下调用,下面是一个实例,对比静态方法和成员方法
其运行结果如下:
- class Foo(object):
- @staticmethod
- def statc_method(msg):
- print msg
- def member_method(self, msg):
- print msg
- foo = Foo()
- foo.member_method('some msg')
- foo.statc_method('some msg')
- Foo.statc_method('some msg')
classmethod 与成员方法的区别在于所接收的第一个参数不是 self 类实例的指针,而是当前类的具体类型,下面是一个实例:
- some msg
- some msg
- some msg
其运行结果如下:
- class Foo(object):
- @classmethod
- def class_method(cls):
- print repr(cls)
- def member_method(self):
- print repr(self)
- foo = Foo()
- foo.class_method()
- foo.member_method()
property 是属性的意思,即可以通过通过类实例直接访问的信息,下面是具体的例子:
- <class '__main__.Foo'>
- <__main__.Foo object at 0x10a611c50>
注意: 如果将上面的 @var.setter 装饰器所装饰的成员函数去掉,则 Foo.var 属性为只读属性,使用 foo.var = 'var 2' 进行赋值时会抛出异常,其运行结果如下:
- class Foo(object):
- def __init__(self, var):
- super(Foo, self).__init__()
- self._var = var
- @property
- def var(self):
- return self._var
- @var.setter
- def var(self, var):
- self._var = var
- foo = Foo('var 1')
- print foo.var
- foo.var = 'var 2'
- print foo.var
注意: 如果使用老式的Python类定义,所声明的属性不是 read only的,下面代码说明了这种情况:
- var 1
- var 2
其运行结果如下:
- class Foo:
- def __init__(self, var):
- self._var = var
- @property
- def var(self):
- return self._var
- foo = Foo('var 1')
- print foo.var
- foo.var = 'var 2'
- print foo.var
- var 1
- var 2
调用顺序
装饰器的调用顺序与使用 @ 语法糖声明的顺序相反,如下所示:
其等价于:
- def decorator_a(func):
- print "decorator_a"
- return func
- def decorator_b(func):
- print "decorator_b"
- return func
- @decorator_a
- @decorator_b
- def foo():
- print "foo"
- foo()
通过等价的调用形式我们可以看到,按照python的函数求值序列, decorator_b(fun) 会首先被求值,然后将其结果作为输入,传递给 decorator_a,因此其调用顺序与声明顺序相反。其运行结果如下所示:
- def decorator_a(func):
- print "decorator_a"
- return func
- def decorator_b(func):
- print "decorator_b"
- return func
- def foo():
- print "foo"
- foo = decorator_a(decorator_b(foo))
- foo()
- decorator_b
- decorator_a
- foo
调用时机
装饰器很好用,那么它什么时候被调用?性能开销怎么样?会不会有副作用?接下来我们就以几个实例来验证我们的猜想。
首先我们验证一下装饰器的性能开销,代码如下所示:其运行结果如下:
- def decorator_a(func):
- print "decorator_a"
- print 'func id: ' + str(id(func))
- return func
- def decorator_b(func):
- print "decorator_b"
- print 'func id: ' + str(id(func))
- return func
- print 'Begin declare foo with decorators'
- @decorator_a
- @decorator_b
- def foo():
- print "foo"
- print 'End declare foo with decorators'
- print 'First call foo'
- foo()
- print 'Second call foo'
- foo()
- print 'Function infos'
- print 'decorator_a id: ' + str(id(decorator_a))
- print 'decorator_b id: ' + str(id(decorator_b))
- print 'fooid : ' + str(id(foo))
在运行结果中的:
- Begin declare foo with decorators
- decorator_b
- func id: 140124961990488
- decorator_a
- func id: 140124961990488
- End declare foo with decorators
- First call foo
- foo
- Second call foo
- foo
- Function infos
- decorator_a id: 140124961954464
- decorator_b id: 140124961988808
- fooid : 140124961990488
证实了装饰器的调用时机为: 被装饰对象定义时
- Begin declare foo with decorators
- decorator_b
- func id: 140124961990488
- decorator_a
- func id: 140124961990488
- End declare foo with decorators
而运行结果中的:
证实了在相同 .py 文件中,装饰器对所装饰的函数只进行一次装饰,不会每次调用相应函数时都重新装饰,这个很容易理解,因为其本质等价于下面的函数签名重新绑定:
- First call foo
- foo
- Second call foo
- foo
对于跨模块的调用,我们编写如下结构的测试代码:
- foo = decorator_a(decorator_b(foo))
上述所有模块中的 __init__.py 文件均为: # -*- coding: utf-8 -*-
- .
- ├── common
- │ ├── decorator.py
- │ ├── __init__.py
- │ ├── mod_a
- │ │ ├── fun_a.py
- │ │ └── __init__.py
- │ └── mod_b
- │ ├── fun_b.py
- │ └── __init__.py
- └── test.py
- # -*- coding: utf-8 -*-
- # common/mod_a/fun_a.py
- from common.decorator import foo
- def fun_a():
- print 'in common.mod_a.fun_a.fun_a call foo'
- foo()
- # -*- coding: utf-8 -*-
- # common/mod_b/fun_b.py
- from common.decorator import foo
- def fun_b():
- print 'in common.mod_b.fun_b.fun_b call foo'
- foo()
- # -*- coding: utf-8 -*-
- # common/decorator.py
- def decorator_a(func):
- print 'init decorator_a'
- return func
- @decorator_a
- def foo():
- print 'function foo'
上述代码通过创建 common.mod_a 和 common.mod_b 两个子模块,并调用 common.decorator 中的 foo 函数,来测试跨模块时装饰器的工作情况,运行 test.py 的结果如下所示:
- # -*- coding: utf-8 -*-
- # test.py
- from common.mod_a.fun_a import fun_a
- from common.mod_b.fun_b import fun_b
- fun_a()
- fun_b()
经过上面的验证,可以看出,对于跨模块的调用,装饰器也只会初始化一次,不过这要归功于 *.pyc,这与本文主题无关,故不详述。
- init decorator_a
- in common.mod_a.fun_a.fun_a call foo
- function foo
- in common.mod_b.fun_b.fun_b call foo
- function foo
关于装饰器副作用的话题比较大,这不仅仅是装饰器本身的问题,更多的时候是我们设计上的问题,下面给出一个初学装饰器时大家都会遇到的一个问题——丢失函数元信息:
其运行结果如下所示:
- def decorator_a(func):
- def inner(*args, **kwargs):
- res = func(*args, **kwargs)
- return res
- return inner
- @decorator_a
- def foo():
- '''''foo doc'''
- return 'foo result'
- print 'foo.__module__: ' + str(foo.__module__)
- print 'foo.__name__: ' + str(foo.__name__)
- print 'foo.__doc__: ' + str(foo.__doc__)
- print foo()
我们可以看到,在使用 decorator_a 对 foo 函数进行装饰后,foo 的元信息会丢失,解决方案参见: functools.wraps
- foo.__module__: __main__
- foo.__name__: inner
- foo.__doc__: None
- foo result
多个装饰器运行期行为
前面已经讲解过装饰器的调用顺序和调用时机,但是被多个装饰器装饰的函数,其运行期行为还是有一些细节需要说明的,而且很可能其行为会让你感到惊讶,下面时一个实例:
大家先来看一下运行结果,看看是不是跟自己想象中的一致:
- def tracer(msg):
- print "[TRACE] %s" % msg
- def logger(func):
- tracer("logger")
- def inner(username, password):
- tracer("inner")
- print "call %s" % func.__name__
- return func(username, password)
- return inner
- def login_debug_helper(show_debug_info=False):
- tracer("login_debug_helper")
- def proxy_fun(func):
- tracer("proxy_fun")
- def delegate_fun(username, password):
- tracer("delegate_fun")
- if show_debug_info:
- print "username: %s\npassword: %s" % (username, password)
- return func(username, password)
- return delegate_fun
- return proxy_fun
- print 'Declaring login_a'
- @logger
- @login_debug_helper(show_debug_info=True)
- def login_a(username, password):
- tracer("login_a")
- print "do some login authentication"
- return True
- print 'Call login_a'
- login_a("mdl", "pwd")
首先,装饰器初始化时的调用顺序与我们前面讲解的一致,如下:
- Declaring login_a
- [TRACE] login_debug_helper
- [TRACE] proxy_fun
- [TRACE] logger
- Call login_a
- [TRACE] inner
- call delegate_fun
- [TRACE] delegate_fun
- username: mdl
- password: pwd
- [TRACE] login_a
- do some login authentication
然而,接下来,来自 logger 装饰器中的 inner 函数首先被执行,然后才是 login_debug_helper 返回的 proxy_fun 中的 delegate_fun 函数。各位读者发现了吗,运行期执行 login_a 函数的时候,装饰器中返回的函数的执行顺序是相反的,难道是我们前面讲解的例子有错误吗?其实,如果大家的认为运行期调用顺序应该与装饰器初始化阶段的顺序一致的话,那说明大家没有看透这段代码的调用流程,下面我来为大家分析一下。
- Declaring login_a
- [TRACE] login_debug_helper
- [TRACE] proxy_fun
- [TRACE] logger
当装饰器 login_debug_helper 被调用时,其等价于:
- def login_debug_helper(show_debug_info=False):
- tracer("login_debug_helper")
- def proxy_fun(func):
- tracer("proxy_fun")
- def delegate_fun(username, password):
- tracer("delegate_fun")
- if show_debug_info:
- print "username: %s\npassword: %s" % (username, password)
- return func(username, password)
- return delegate_fun
- return proxy_fun
对于只有 login_debug_helper 的情况,现在就应该是执行玩 login_a输出结果的时刻了,但是如果现在在加上 logger 装饰器的话,那么这个 login_debug_helper(show_debug_info=True)(login_a)('mdl', 'pwd')就被延迟执行,而将 login_debug_helper(show_debug_info=True)(login_a) 作为参数传递给 logger,我们令 login_tmp = login_debug_helper(show_debug_info=True)(login_a),则调用过程等价于:
- login_debug_helper(show_debug_info=True)(login_a)('mdl', 'pwd')
相信大家看过上面的等价变换后,已经明白问题出在哪里了,如果你还没有明白,我强烈建议你把这个例子自己敲一遍,并尝试用自己的方式进行化简,逐步得出结论。
- login_tmp = login_debug_helper(show_debug_info=True)(login_a)
- login_a = logger(login_tmp)
- login_a('mdl', 'pwd')