Python深度解析:装饰器—提升代码灵活性与可维护性的艺术

本文主要是介绍Python深度解析:装饰器—提升代码灵活性与可维护性的艺术,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Python深度解析:装饰器—提升代码灵活性与可维护性的艺术

在Python编程中,装饰器是一种功能强大且优雅的工具,能够在不改变函数定义的前提下,动态地扩展或修改其行为。使用装饰器不仅能够提升代码的可读性和可重用性,还能在实际开发中实现更高效的解决方案。

装饰器的基本概念

定义与语法

装饰器本质上是一个高阶函数,它接收一个函数作为输入,并返回一个新的函数。通过在函数定义前添加@decorator_name语法,Python会在函数调用时首先执行装饰器逻辑,再调用函数本身。通过@decorator_name语法实际效果是和decorator_name(func) 是一样的,可以参考下面的例子


def simple_decorator(func):def wrapper(*args, **kwargs):print("Before function call")result = func(*args, **kwargs)print("After function call")return resultreturn wrapper@simple_decorator
def say_hello(name):print(f"Hello, {name}!")say_hello("Alice")
# Before function call
# Hello, Alice!
# After function callsimple_decorator(say_hello("Alice"))
# Before function call
# Hello, Alice!
# After function call

工作原理

装饰器的核心是函数包装,通过在wrapper函数中添加额外的逻辑,我们可以在函数执行前后插入自定义行为,这在日志记录、性能监控、权限验证等场景中非常有用。

编写自定义装饰器

编写一个自定义装饰器通常包括以下步骤:

  1. 定义一个接收函数作为参数的装饰器函数。
  2. 在装饰器函数内部定义一个包装函数,处理传入的参数和返回值。
  3. 在包装函数内编写所需的附加逻辑。
  4. 返回包装函数,使其替代原始函数。

以下示例展示了一个用于记录函数执行时间的装饰器:

import time
from functools import wrapsdef timing_decorator(func):@wraps(func)def wrapper(*args, **kwargs):start_time = time.time()result = func(*args, **kwargs)end_time = time.time()print(f"{func.__name__} executed in {end_time - start_time:.4f} seconds")return resultreturn wrapper@timing_decorator
def compute_square(n):return n * ncompute_square(4)

functools.wraps 的使用

在记录函数执行时间的例子里面,使用到了functools.wraps。它的作用是保留原始函数的元数据,比如 __name____doc__ 的属性,我们可以看下面这个例子

from functools import wrapsdef simple_decorator(func):def wrapper(*args, **kwargs):print("Before function call")result = func(*args, **kwargs)print("After function call")return resultreturn wrapperdef simple_decorator_with_wraps(func):@wraps(func)def wrapper(*args, **kwargs):print("Before function call")result = func(*args, **kwargs)print("After function call")return resultreturn wrapper@simple_decorator
def my_function():"""This is my_function."""print("Executing my_function")@simple_decorator_with_wraps
def my_function2():"""This is my_function2."""print("Executing my_function")print(my_function.__name__)  # 输出:wrapper
print(my_function.__doc__)   # 输出:Noneprint(my_function2.__name__)  # 输出:my_function2
print(my_function2.__doc__)   # 输出:This is my_function2.

实际应用案例

装饰器在实际开发中的应用非常广泛。以下是几个典型场景:

  • 日志记录:自动记录函数的调用信息。
  • 性能测试:衡量函数的执行时间。
  • 事务处理:在数据库操作中确保事务的开始和提交。
  • 访问控制:在函数调用前进行权限验证。

这些应用不仅提高了代码的可维护性,也使得业务逻辑与辅助功能之间的耦合更低。

注意事项与常见问题

在使用装饰器时,可能会遇到以下问题:

  • 闭包的使用:装饰器的包装函数通常是闭包,正确处理闭包变量非常重要。
  • 装饰器顺序:当多个装饰器同时应用时,它们的执行顺序会影响最终结果。
  • 调试困难:装饰器会修改函数的行为,可能导致调试难度增加。使用functools.wraps可以帮助保留原函数的信息。

面试常见问题

实现一个记录函数的调用时间、参数、返回值日志的装饰器

import time
import logging
from functools import wraps# 设置日志记录
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')def log_execution(func):@wraps(func)def wrapper(*args, **kwargs):# 记录函数开始执行时间start_time = time.time()# 记录函数参数logging.info(f"Calling {func.__name__} with args: {args} and kwargs: {kwargs}")# 执行函数result = func(*args, **kwargs)# 记录函数结束时间和执行时间end_time = time.time()execution_time = end_time - start_time# 记录返回值和执行时间logging.info(f"{func.__name__} returned {result} in {execution_time:.4f} seconds")return resultreturn wrapper# 示例函数
@log_execution
def example_function(a, b, delay=1):time.sleep(delay)return a + b# 调用示例函数
example_function(5, 10, delay=2)

实现一个记录函数的执行时间的装饰器

import time
from functools import wrapsdef timing_decorator(func):@wraps(func)def wrapper(*args, **kwargs):# 记录开始时间start_time = time.time()# 执行函数result = func(*args, **kwargs)# 记录结束时间end_time = time.time()# 计算并打印执行时间execution_time = end_time - start_timeprint(f"{func.__name__} executed in {execution_time:.4f} seconds")return resultreturn wrapper# 示例函数
@timing_decorator
def example_function(a, b):time.sleep(1)  # 模拟耗时操作return a + b# 调用示例函数
result = example_function(5, 10)

定义一个带参数的装饰器

from functools import wrapsdef repeat_decorator(times):"""一个装饰器,它会重复执行被装饰的函数指定的次数"""def decorator(func):@wraps(func)def wrapper(*args, **kwargs):result = Nonefor _ in range(times):result = func(*args, **kwargs)return resultreturn wrapperreturn decorator# 示例函数
@repeat_decorator(times=3)
def greet(name):print(f"Hello, {name}!")# 调用示例函数
greet("Alice")

实现一个失败重试的装饰器

import time
from functools import wrapsdef retry_decorator(max_retries=3, delay=1, exceptions=(Exception,)):"""一个失败重试的装饰器。:param max_retries: 最大重试次数:param delay: 每次重试之间的延迟时间(秒):param exceptions: 触发重试的异常类型元组"""def decorator(func):@wraps(func)def wrapper(*args, **kwargs):attempts = 0while attempts < max_retries:try:return func(*args, **kwargs)except exceptions as e:attempts += 1print(f"Attempt {attempts} failed: {e}")if attempts < max_retries:time.sleep(delay)else:print(f"All {max_retries} attempts failed.")raisereturn wrapperreturn decorator# 示例函数
@retry_decorator(max_retries=5, delay=2)
def unstable_function():# 模拟可能失败的操作if time.time() % 2 < 1:  # 模拟50%的概率失败raise ValueError("Simulated failure")return "Success!"# 调用示例函数
try:result = unstable_function()print(result)
except Exception as e:print(f"Function failed after all retries: {e}")

实现一个用于参数校验的装饰器

from functools import wrapsdef validate_params(**validators):"""参数校验装饰器。:param validators: 一个字典,键是参数名,值是校验函数或校验规则的元组。校验函数接收参数值并返回True或False,表示参数是否合法。校验规则元组可以包含预期的类型和一个可选的范围检查函数。"""def decorator(func):@wraps(func)def wrapper(*args, **kwargs):# 获取函数的参数名列表func_args = func.__code__.co_varnames# 对位置参数进行校验for i, arg in enumerate(args):if i < len(func_args):param_name = func_args[i]if param_name in validators:validate(arg, validators[param_name], param_name)# 对关键字参数进行校验for param_name, arg in kwargs.items():if param_name in validators:validate(arg, validators[param_name], param_name)return func(*args, **kwargs)return wrapperreturn decoratordef validate(value, validator, param_name):"""通用的验证函数,用于验证参数是否满足条件"""if isinstance(validator, tuple):expected_type = validator[0]range_check = validator[1] if len(validator) > 1 else lambda x: Trueif not isinstance(value, expected_type):raise TypeError(f"Parameter '{param_name}' must be of type {expected_type.__name__}")if not range_check(value):raise ValueError(f"Parameter '{param_name}' failed the range check.")elif callable(validator):if not validator(value):raise ValueError(f"Parameter '{param_name}' failed custom validation.")# 示例函数
@validate_params(x=(int, lambda v: v > 0),  # x 必须是正整数y=(float, lambda v: 0.0 <= v <= 1.0),  # y 必须是0到1之间的浮点数name=str  # name 必须是字符串
)
def process_data(x, y, name="default"):print(f"Processing data: x={x}, y={y}, name={name}")# 调用示例函数
try:process_data(10, 0.5, name="example")process_data(-1, 0.5, name="example")  # 这将引发TypeError
except Exception as e:print(f"Validation error: {e}")

实现一个限制函数调用次数限制的装饰器

from functools import wrapsdef limit_calls(max_calls, on_limit_reached=None):"""限制函数调用次数的装饰器。:param max_calls: 最大允许调用次数:param on_limit_reached: 当超过调用限制时执行的操作,可以是一个函数,也可以是一个值"""def decorator(func):calls = 0  # 内部计数器@wraps(func)def wrapper(*args, **kwargs):nonlocal calls # 这里使用闭包去处理计数器,可以根据实际使用情况调整if calls >= max_calls:if callable(on_limit_reached):return on_limit_reached(*args, **kwargs)else:return on_limit_reachedcalls += 1return func(*args, **kwargs)return wrapperreturn decorator# 示例函数
@limit_calls(max_calls=3, on_limit_reached="Function call limit reached")
def example_function(x, y):return x + y# 调用示例函数
print(example_function(1, 2))  # 1st call
print(example_function(3, 4))  # 2nd call
print(example_function(5, 6))  # 3rd call
print(example_function(7, 8))  # 4th call - exceeds limit

提供一个函数,在不改变原有的函数的情况下,增加一个参数

from functools import wrapsdef add_parameter(new_param_name, new_param_value):"""装饰器,用于在不改变原有函数的情况下增加一个新的参数。:param new_param_name: 新参数的名称:param new_param_value: 新参数的默认值"""def decorator(func):@wraps(func)def wrapper(*args, **kwargs):# 添加新参数到kwargskwargs[new_param_name] = new_param_valuereturn func(*args, **kwargs)return wrapperreturn decorator# 示例函数
def original_function(x, y):print(f"x = {x}, y = {y}")# 使用装饰器添加新参数
@add_parameter('z', 10)
def modified_function(x, y, **kwargs):print(f"x = {x}, y = {y}, z = {kwargs.get('z')}")# 调用示例函数
modified_function(1, 2)

备注: 本文会同步发布于个人微信公众号(smith日常碎碎念)。

这篇关于Python深度解析:装饰器—提升代码灵活性与可维护性的艺术的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1090485

相关文章

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

java之Objects.nonNull用法代码解读

《java之Objects.nonNull用法代码解读》:本文主要介绍java之Objects.nonNull用法代码,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐... 目录Java之Objects.nonwww.chinasem.cnNull用法代码Objects.nonN

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI