Python中装饰器高级用法详解
在Python中,装饰器一般用来修饰函数,实现公共功能,达到代码复用的目的。在函数定义前加上@xxxx,然后函数就注入了某些行为,很神奇!然而,这只是语法糖而已。
场景
假设,有一些工作函数,用来对数据做不同的处理:
defwork_bar(data): pass defwork_foo(data): pass
我们想在函数调用前/后输出日志,怎么办?
傻瓜解法
logging.info('begincallwork_bar') work_bar(1) logging.info('callwork_bardone')
如果有多处代码调用呢?想想就怕!
函数包装
傻瓜解法无非是有太多代码冗余,每次函数调用都要写一遍logging。可以把这部分冗余逻辑封装到一个新函数里:
defsmart_work_bar(data): logging.info('begincall:work_bar') work_bar(data) logging.info('calldoen:work_bar')
这样,每次调用smart_work_bar即可:
smart_work_bar(1) #... smart_work_bar(some_data)
通用闭包
看上去挺完美……然而,当work_foo也有同样的需要时,还要再实现一遍smart_work_foo吗?这样显然不科学呀!
别急,我们可以用闭包:
deflog_call(func): defproxy(*args,**kwargs): logging.info('begincall:{name}'.format(name=func.func_name)) result=func(*args,**kwargs) logging.info('calldone:{name}'.format(name=func.func_name)) returnresult returnproxy
这个函数接收一个函数对象(被代理函数)作为参数,返回一个代理函数。调用代理函数时,先输出日志,然后调用被代理函数,调用完成后再输出日志,最后返回调用结果。这样,不就达到通用化的目的了吗?——对于任意被代理函数func,log_call均可轻松应对。
smart_work_bar=log_call(work_bar) smart_work_foo=log_call(work_foo) smart_work_bar(1) smart_work_foo(1) #... smart_work_bar(some_data) smart_work_foo(some_data)
第1行中,log_call接收参数work_bar,返回一个代理函数proxy,并赋给smart_work_bar。第4行中,调用smart_work_bar,也就是代理函数proxy,先输出日志,然后调用func也就是work_bar,最后再输出日志。注意到,代理函数中,func与传进去的work_bar对象紧紧关联在一起了,这就是闭包。
再提一下,可以覆盖被代理函数名,以smart_为前缀取新名字还是显得有些累赘:
work_bar=log_call(work_bar) work_foo=log_call(work_foo) work_bar(1) work_foo(1)
语法糖
先来看看以下代码:
defwork_bar(data): pass work_bar=log_call(work_bar) defwork_foo(data): pass work_foo=log_call(work_foo)
虽然代码没有什么冗余了,但是看是去还是不够直观。这时候,语法糖来了~~~
@log_call defwork_bar(data): pass
因此,注意一点(划重点啦),这里@log_call的作用只是:告诉Python编译器插入代码work_bar=log_call(work_bar)。
求值装饰器
先来猜猜装饰器eval_now有什么作用?
defeval_now(func): returnfunc()
看上去好奇怪哦,没有定义代理函数,算装饰器吗?
@eval_now deffoo(): return1 printfoo
这段代码输出1,也就是对函数进行调用求值。那么到底有什么用呢?直接写foo=1不行么?在这个简单的例子,这么写当然可以啦。来看一个更复杂的例子——初始化一个日志对象:
#someothercodebefore... #logformat formatter=logging.Formatter( '[%(asctime)s]%(process)5d%(levelname)8s-%(message)s', '%Y-%m-%d%H:%M:%S', ) #stdouthandler stdout_handler=logging.StreamHandler(sys.stdout) stdout_handler.setFormatter(formatter) stdout_handler.setLevel(logging.DEBUG) #stderrhandler stderr_handler=logging.StreamHandler(sys.stderr) stderr_handler.setFormatter(formatter) stderr_handler.setLevel(logging.ERROR) #loggerobject logger=logging.Logger(__name__) logger.setLevel(logging.DEBUG) logger.addHandler(stdout_handler) logger.addHandler(stderr_handler) #againsomeothercodeafter...
用eval_now的方式:
#someothercodebefore... @eval_now deflogger(): #logformat formatter=logging.Formatter( '[%(asctime)s]%(process)5d%(levelname)8s-%(message)s', '%Y-%m-%d%H:%M:%S', ) #stdouthandler stdout_handler=logging.StreamHandler(sys.stdout) stdout_handler.setFormatter(formatter) stdout_handler.setLevel(logging.DEBUG) #stderrhandler stderr_handler=logging.StreamHandler(sys.stderr) stderr_handler.setFormatter(formatter) stderr_handler.setLevel(logging.ERROR) #loggerobject logger=logging.Logger(__name__) logger.setLevel(logging.DEBUG) logger.addHandler(stdout_handler) logger.addHandler(stderr_handler) returnlogger #againsomeothercodeafter...
两段代码要达到的目的是一样的,但是后者显然更清晰,颇有代码块的风范。更重要的是,函数调用在局部名字空间完成初始化,避免临时变量(如formatter等)污染外部的名字空间(比如全局)。
带参数装饰器
定义一个装饰器,用于记录慢函数调用:
deflog_slow_call(func): defproxy(*args,**kwargs): start_ts=time.time() result=func(*args,**kwargs) end_ts=time.time() seconds=start_ts-end_ts ifseconds>1: logging.warn('slowcall:{name}in{seconds}s'.format( name=func.func_name, seconds=seconds, )) returnresult returnproxy
第3、5行分别在函数调用前后采样当前时间,第7行计算调用耗时,耗时大于一秒输出一条警告日志。
@log_slow_call defsleep_seconds(seconds): time.sleep(seconds) sleep_seconds(0.1)#没有日志输出 sleep_seconds(2)#输出警告日志
然而,阈值设置总是要视情况决定,不同的函数可能会设置不同的值。如果阈值有办法参数化就好了:
deflog_slow_call(func,threshold=1): defproxy(*args,**kwargs): start_ts=time.time() result=func(*args,**kwargs) end_ts=time.time() seconds=start_ts-end_ts ifseconds>threshold: logging.warn('slowcall:{name}in{seconds}s'.format( name=func.func_name, seconds=seconds, )) returnresult returnproxy
然而,@xxxx语法糖总是以被装饰函数为参数调用装饰器,也就是说没有机会传递threshold参数。怎么办呢?——用一个闭包封装threshold参数:
deflog_slow_call(threshold=1): defdecorator(func): defproxy(*args,**kwargs): start_ts=time.time() result=func(*args,**kwargs) end_ts=time.time() seconds=start_ts-end_ts ifseconds>threshold: logging.warn('slowcall:{name}in{seconds}s'.format( name=func.func_name, seconds=seconds, )) returnresult returnproxy returndecorator @log_slow_call(threshold=0.5) defsleep_seconds(seconds): time.sleep(seconds)
这样,log_slow_call(threshold=0.5)调用返回函数decorator,函数拥有闭包变量threshold,值为0.5。decorator再装饰sleep_seconds。
采用默认阈值,函数调用还是不能省略:
@log_slow_call() defsleep_seconds(seconds): time.sleep(seconds)
处女座可能会对第一行这对括号感到不爽,那么可以这样改进:
deflog_slow_call(func=None,threshold=1): defdecorator(func): defproxy(*args,**kwargs): start_ts=time.time() result=func(*args,**kwargs) end_ts=time.time() seconds=start_ts-end_ts ifseconds>threshold: logging.warn('slowcall:{name}in{seconds}s'.format( name=func.func_name, seconds=seconds, )) returnresult returnproxy iffuncisNone: returndecorator else: returndecorator(func)
这种写法兼容两种不同的用法,用法A默认阈值(无调用);用法B自定义阈值(有调用)。
#CaseA @log_slow_call defsleep_seconds(seconds): time.sleep(seconds) #CaseB @log_slow_call(threshold=0.5) defsleep_seconds(seconds): time.sleep(seconds)
用法A中,发生的事情是log_slow_call(sleep_seconds),也就是func参数是非空的,这是直接调decorator进行包装并返回(阈值是默认的)。
用法B中,先发生的是log_slow_call(threshold=0.5),func参数为空,直接返回新的装饰器decorator,关联闭包变量threshold,值为0.5;然后,decorator再装饰函数sleep_seconds,即decorator(sleep_seconds)。注意到,此时threshold关联的值是0.5,完成定制化。
你可能注意到了,这里最好使用关键字参数这种调用方式——使用位置参数会很丑陋:
#CaseB- @log_slow_call(None,0.5) defsleep_seconds(seconds): time.sleep(seconds)
当然了,函数调用尽量使用关键字参数是一种极佳实践,含义清晰,在参数很多的情况下更是如此。
智能装饰器
上节介绍的写法,嵌套层次较多,如果每个类似的装饰器都用这种方法实现,还是比较费劲的(脑子不够用),也比较容易出错。
假设有一个智能装饰器smart_decorator,修饰装饰器log_slow_call,便可获得同样的能力。这样,log_slow_call定义将变得更清晰,实现起来也更省力啦:
@smart_decorator deflog_slow_call(func,threshold=1): defproxy(*args,**kwargs): start_ts=time.time() result=func(*args,**kwargs) end_ts=time.time() seconds=start_ts-end_ts ifseconds>threshold: logging.warn('slowcall:{name}in{seconds}s'.format( name=func.func_name, seconds=seconds, )) returnresult returnproxy
脑洞开完,smart_decorator如何实现呢?其实也简单:
defsmart_decorator(decorator): defdecorator_proxy(func=None,**kwargs): iffuncisnotNone: returndecorator(func=func,**kwargs) defdecorator_proxy(func): returndecorator(func=func,**kwargs) returndecorator_proxy returndecorator_proxy
smart_decorator实现了以后,设想就成立了!这时,log_slow_call,就是decorator_proxy(外层),关联的闭包变量decorator是本节最开始定义的log_slow_call(为了避免歧义,称为real_log_slow_call)。log_slow_call支持以下各种用法:
#CaseA @log_slow_call defsleep_seconds(seconds): time.sleep(seconds)
用法A中,执行的是decorator_proxy(sleep_seconds)(外层),func非空,kwargs为空;直接执行decorator(func=func,**kwargs),即real_log_slow_call(sleep_seconds),结果是关联默认参数的proxy。
#CaseB #SametoCaseA @log_slow_call() defsleep_seconds(seconds): time.sleep(seconds)
用法B中,先执行decorator_proxy(),func及kwargs均为空,返回decorator_proxy对象(内层);再执行decorator_proxy(sleep_seconds)(内层);最后执行decorator(func,**kwargs),等价于real_log_slow_call(sleep_seconds),效果与用法A一致。
#CaseC @log_slow_call(threshold=0.5) defsleep_seconds(seconds): time.sleep(seconds)
用法C中,先执行decorator_proxy(threshold=0.5),func为空但kwargs非空,返回decorator_proxy对象(内层);再执行decorator_proxy(sleep_seconds)(内层);最后执行decorator(sleep_seconds,**kwargs),等价于real_log_slow_call(sleep_seconds,threshold=0.5),阈值实现自定义!