共计 7194 个字符，预计需要花费 18 分钟才能阅读完成。
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。
原文地址：https://python-book.readthedocs.io 微信公众号：小菜学编程 (coding-fan)
场景
假设，有一些工作函数，用来对数据做不同的处理：
def work_bar(data):
pass
def work_foo(data):
pass
我们想在函数调用前 / 后输出日志，怎么办？
<!–more–>
傻瓜解法
logging.info(‘begin call work_bar’)
work_bar(1)
logging.info(‘call work_bar done’)
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：
def smart_work_bar(data):
logging.info(‘begin call: work_bar’)
work_bar(data)
logging.info(‘call doen: 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：
def log_call(func):
def proxy(*args, **kwargs):
logging.info(‘begin call: {name}’.format(name=func.func_name))
result = func(*args, **kwargs)
logging.info(‘call done: {name}’.format(name=func.func_name))
return result
return proxy
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：
def work_bar(data):
pass
work_bar = log_call(work_bar)
def work_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
def work_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？
def eval_now(func):
return func()
看上去好奇怪哦，没有定义代理函数，算装饰器吗？
@eval_now
def foo():
return 1
print foo
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：
# some other code before…
# log format
formatter = logging.Formatter(
‘[%(asctime)s] %(process)5d %(levelname) 8s – %(message)s’,
‘%Y-%m-%d %H:%M:%S’,
)
# stdout handler
stdout_handler = logging.StreamHandler(sys.stdout)
stdout_handler.setFormatter(formatter)
stdout_handler.setLevel(logging.DEBUG)
# stderr handler
stderr_handler = logging.StreamHandler(sys.stderr)
stderr_handler.setFormatter(formatter)
stderr_handler.setLevel(logging.ERROR)
# logger object
logger = logging.Logger(__name__)
logger.setLevel(logging.DEBUG)
logger.addHandler(stdout_handler)
logger.addHandler(stderr_handler)
# again some other code after…
用 eval_now 的方式：
# some other code before…
@eval_now
def logger():
# log format
formatter = logging.Formatter(
‘[%(asctime)s] %(process)5d %(levelname) 8s – %(message)s’,
‘%Y-%m-%d %H:%M:%S’,
)
# stdout handler
stdout_handler = logging.StreamHandler(sys.stdout)
stdout_handler.setFormatter(formatter)
stdout_handler.setLevel(logging.DEBUG)
# stderr handler
stderr_handler = logging.StreamHandler(sys.stderr)
stderr_handler.setFormatter(formatter)
stderr_handler.setLevel(logging.ERROR)
# logger object
logger = logging.Logger(__name__)
logger.setLevel(logging.DEBUG)
logger.addHandler(stdout_handler)
logger.addHandler(stderr_handler)
return logger
# again some other code after…
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：
def log_slow_call(func):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts – end_ts
if seconds > 1:
logging.warn(‘slow call: {name} in {seconds}s’.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
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
def sleep_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：
def log_slow_call(func, threshold=1):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts – end_ts
if seconds > threshold:
logging.warn(‘slow call: {name} in {seconds}s’.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
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：
def log_slow_call(threshold=1):
def decorator(func):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts – end_ts
if seconds > threshold:
logging.warn(‘slow call: {name} in {seconds}s’.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
return decorator
@log_slow_call(threshold=0.5)
def sleep_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()
def sleep_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：
def log_slow_call(func=None, threshold=1):
def decorator(func):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts – end_ts
if seconds > threshold:
logging.warn(‘slow call: {name} in {seconds}s’.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
if func is None:
return decorator
else:
return decorator(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)。
# Case A
@log_slow_call
def sleep_seconds(seconds):
time.sleep(seconds)
# Case B
@log_slow_call(threshold=0.5)
def sleep_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：
# Case B-
@log_slow_call(None, 0.5)
def sleep_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
def log_slow_call(func, threshold=1):
def proxy(*args, **kwargs):
start_ts = time.time()
result = func(*args, **kwargs)
end_ts = time.time()
seconds = start_ts – end_ts
if seconds > threshold:
logging.warn(‘slow call: {name} in {seconds}s’.format(
name=func.func_name,
seconds=seconds,
))
return result
return proxy
脑洞开完，smart_decorator 如何实现呢？其实也简单：
def smart_decorator(decorator):
def decorator_proxy(func=None, **kwargs):
if func is not None:
return decorator(func=func, **kwargs)
def decorator_proxy(func):
return decorator(func=func, **kwargs)
return decorator_proxy
return decorator_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：
# Case A
@log_slow_call
def sleep_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。
# Case B
# Same to Case A
@log_slow_call()
def sleep_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。
# Case C
@log_slow_call(threshold=0.5)
def sleep_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！
订阅更新，获取更多学习资料，请关注我们的 微信公众号：