装饰器

共计 2677 个字符，预计需要花费 7 分钟才能阅读完成。

由于函数也是一个对象，而且函数对象可以被赋值给变量，所以，通过变量也能调用该函数。

>>> def now():
...     print('2024-6-1')
...
>>> f = now
>>> f()
2024-6-1

函数对象有一个 __name__ 属性（注意：是前后各两个下划线），可以拿到函数的名字：

>>> now.__name__
'now'
>>> f.__name__
'now'

现在，假设我们要增强 now() 函数的功能，比如，在函数调用前后自动打印日志，但又不希望修改 now() 函数的定义，这种在代码运行期间动态增加功能的方式，称之为“装饰器”（Decorator）。

本质上，decorator 就是一个返回函数的高阶函数。所以，我们要定义一个能打印日志的 decorator，可以定义如下：

def log(func):
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper

观察上面的log，因为它是一个 decorator，所以接受一个函数作为参数，并返回一个函数。我们要借助 Python 的 @语法，把 decorator 置于函数的定义处：

@log
def now():
    print('2024-6-1')

调用 now() 函数，不仅会运行 now() 函数本身，还会在运行 now() 函数前打印一行日志：

>>> now()
call now():
2024-6-1

把 @log 放到 now() 函数的定义处，相当于执行了语句：

now = log(now)

由于 log() 是一个 decorator，返回一个函数，所以，原来的 now() 函数仍然存在，只是现在同名的 now 变量指向了新的函数，于是调用 now() 将执行新函数，即在 log() 函数中返回的 wrapper() 函数。

wrapper()函数的参数定义是 (*args, **kw)，因此，wrapper() 函数可以接受任意参数的调用。在 wrapper() 函数内，首先打印日志，再紧接着调用原始函数。

如果 decorator 本身需要传入参数，那就需要编写一个返回 decorator 的高阶函数，写出来会更复杂。比如，要自定义 log 的文本：

def log(text):
    def decorator(func):
        def wrapper(*args, **kw):
            print('%s %s():' % (text, func.__name__))
            return func(*args, **kw)
        return wrapper
    return decorator

这个 3 层嵌套的 decorator 用法如下：

@log('execute')
def now():
    print('2024-6-1')

执行结果如下：

>>> now()
execute now():
2024-6-1

和两层嵌套的 decorator 相比，3 层嵌套的效果是这样的：

>>> now = log('execute')(now)

我们来剖析上面的语句，首先执行 log('execute')，返回的是decorator 函数，再调用返回的函数，参数是 now 函数，返回值最终是 wrapper 函数。

以上两种 decorator 的定义都没有问题，但还差最后一步。因为我们讲了函数也是对象，它有 __name__ 等属性，但你去看经过 decorator 装饰之后的函数，它们的 __name__ 已经从原来的 'now' 变成了'wrapper'：

>>> now.__name__
'wrapper'

因为返回的那个 wrapper() 函数名字就是 'wrapper'，所以，需要把原始函数的__name__ 等属性复制到 wrapper() 函数中，否则，有些依赖函数签名的代码执行就会出错。

不需要编写 wrapper.__name__ = func.__name__ 这样的代码，Python 内置的 functools.wraps 就是干这个事的，所以，一个完整的 decorator 的写法如下：

import functools
 
def log(func):
    @functools.wraps(func)
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper

或者针对带参数的 decorator：

import functools
 
def log(text):
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args, **kw):
            print('%s %s():' % (text, func.__name__))
            return func(*args, **kw)
        return wrapper
    return decorator

import functools是导入 functools 模块。模块的概念稍候讲解。现在，只需记住在定义 wrapper() 的前面加上 @functools.wraps(func) 即可。

练习

请设计一个 decorator，它可作用于任何函数上，并打印该函数的执行时间：

import time, functools
 
def metric(fn):
    print('%s executed in %s ms' % (fn.__name__, 10.24))
    return fn
 
# 测试
@metric
def fast(x, y):
    time.sleep(0.0012)
    return x + y;
 
@metric
def slow(x, y, z):
    time.sleep(0.1234)
    return x * y * z;
 
f = fast(11, 22)
s = slow(11, 22, 33)
if f != 33:
    print('测试失败!')
elif s != 7986:
    print('测试失败!')

请编写一个 decorator，能在函数调用的前后打印出 'begin call' 和'end call'的日志。

再思考一下能否写出一个 @log 的 decorator，使它既支持：

@log
def f():
    pass

又支持：

@log('execute')
def f():
    pass

参考源码

decorator.py

小结

在面向对象（OOP）的设计模式中，decorator 被称为装饰模式。OOP 的装饰模式需要通过继承和组合来实现，而 Python 除了能支持 OOP 的 decorator 外，直接从语法层次支持 decorator。Python 的 decorator 可以用函数实现，也可以用类实现。

decorator 可以增强函数的功能，定义起来虽然有点复杂，但使用起来非常灵活和方便。