今天就跟大家聊聊有关函数装饰器怎么在Python 中使用，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
创新互联专业为企业提供
邕宁网站建设、邕宁做网站、邕宁网站设计、邕宁网站制作等企业网站建设、网页设计与制作、邕宁企业网站模板建站服务，十余年
邕宁做网站经验，不只是建网站，更提供有价值的思路和整体网络服务。
装饰器的基本概念
装饰器是一个可调用对象，它的参数是另一个函数，称为被装饰函数。装饰器可以修改这个函数再将其返回，也可以将其替换为另一个函数或者可调用对象。
例如：有个名为decorate 的装饰器：
@decorate
def target():
print('running target()')上述代码的写法和以下写法的效果是一样的：
def target():
print('running target()')
target = decorate(target)但是，它们返回的target 不一定是原来的那个target 函数，例如下面这个例子：
>>> def deco(func):
... def inner():
... print('running inner()')
... return inner
...
>>> @deco
... def target():
... print('running target()')
...
>>> target()
running inner()
>>> target
.inner at 0x0000013D88563040>可以看到，调用target 函数执行的是inner 函数，这里的target 实际上是inner 的引用。
何时执行装饰器
装饰器的另一个关键特性是，它们在被装饰函数定义时立即执行，这通常是发生在导入模块的时候。
例如下面的这个模块：registration.py
# 存储被装饰器 @register 装饰的函数
registry = []
# 装饰器
def register(func):
print(f"注册函数 -> {func}")
# 记录被装饰的函数
registry.append(func)
return func
@register
def f1():
print("执行 f1()")
@register
def f2():
print("执行 f2()")
def f3():
print("执行 f3()")
if __name__ == "__main__":
print("执行主函数")
print("registry -> ", registry)
f1()
f2()
f3()现在我们在命令行执行这个脚本：
$ python registration.py
注册函数 ->
注册函数 ->
执行主函数
registry -> [, ]
执行 f1()
执行 f2()
执行 f3()
这里我们可以看到，在主函数执行之前，register 已经执行了两次。加载模块后，registry 中已经有两个被装饰函数的引用：f1 和f2。不过这两个函数以及f3 都是在脚本中明确调用后才开始执行的。
如果只是单纯的导入registration.py 模块而不运行：
>>> import registration
注册函数 ->
注册函数 ->
查看registry 中的值：
>>> registration.registry
[, ]
这个例子主要说明：装饰器在导入模块时立即执行，而被装饰的函数只有在明确调用时才运行。这也突出了 Python 中导入时和运行时这个两个概念的区别。
在装饰器的实际使用中，有两点和示例是不同的：
装饰器内部定义并返回新函数的做法需要靠闭包才能正常运作。为了理解闭包，则必须先了解 Python 中的变量作用域。
变量作用域的规则
我们来看下面这个例子，一个函数读取一个局部变量a，一个全局变量b。
>>> def f1(a):
... print(a)
... print(b)
...
>>> f1(3)
3
Traceback (most recent call last):
File "", line 1, in
File "", line 3, in f1
NameError: name 'b' is not defined
出现错误并不奇怪。如果我们先给b 赋值，再调用f1，那就不会出错了：
>>> b = 1
>>> f1(3)
3
1
现在，我们来看一个不寻常的例子：
>>> b = 1
>>> def f2(a):
... print(a)
... print(b)
... b = 2
...
>>> f2(3)
3
Traceback (most recent call last):
File "", line 1, in
File "", line 3, in f2
UnboundLocalError: local variable 'b' referenced before assignment
这里，f2 函数的前两行和f1 相同，然后再给b 赋值。可是，在赋值之前，第二个print 失败了。这是因为Python 在编译函数的定义体时，发现在函数中有给b 赋值的语句，因此判断它是局部变量。而在上述示例中，当我们打印局部变量b 时，它并没有被绑定值，故而报错。
Python 不要求声明变量，但是会把在函数定义体中赋值的变量当成局部变量。
如果想把上述示例中的b 看成全局变量，则需要使用global 声明：
>>> b = 1
>>> def f3(a):
... global b
... print(a)
... print(b)
... b = 2
...
>>> f3(3)
3
1
>>> b
2
>>> f3(3)
3
2
闭包
闭包是指延伸了作用域的函数，其中包含了函数定义体中的引用，以及不在定义体中定义的非全局变量。
我们通过以下示例来理解这句话。
假设我们有这种需求，计算某个商品在整个历史中的平均收盘价格（商品每天的价格会变化）。例如：
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0
那么如何获取avg 函数？历史收盘价格又是如何保存的？
我们可以用一个类来实现：
class Averager:
def __init__(self):
self.serial = []
def __call__(self, price):
self.serial.append(price)
return sum(self.serial) / len(self.serial)
Averager 的实例是一个可调用对象。
>>> avg = Averager()
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0
也可以使用一个函数来实现：
>>> def make_averager():
... serial = []
... def averager(price):
... serial.append(price)
... return sum(serial) / len(serial)
... return averager
...
>>> avg = make_averager()
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0
第一种写法很明显的可以看到，所有历史收盘价均保存在实例变量self.serial 中。
第二种写法我们要好好的分析一下：serial 是make_averager 的局部变量，但是当我们调用avg(10) 时，make_averager 函数已经返回了，它的作用域不是应该消失了吗？
实际上，在averager 函数中，serial 是自由变量（未在本地作用域中绑定的变量）。如下图所示：
我们可以在averager 返回对象的__code__ 属性中查看它的局部变量和自由变量的名字。
>>> avg.__code__.co_varnames
('price',)
>>> avg.__code__.co_freevars
('serial',)自由变量serial 绑定的值存放在avg 对象的__closure__ 属性中，它是一个元组，里面的元素是cell 对象，它的cell_contents 属性保存实际的值：
>>> avg.__closure__
(,)
>>> avg.__closure__[0].cell_contents
[10, 11, 12]
综上所述，闭包是一种函数，它会保留定义函数时存在的自由变量的绑定值，这样在我们调用这个函数时，即使作用域不在了，仍然可以使用这些绑定的值。
注意：
只有嵌套在其它函数中的函数才可能需要处理不在全局作用域中的外部变量。
nonlocal 声明
前面的make_averager 方法的效率并不高，我们可以只保存当前的总值和元素个数，再使用它们计算平均值。下面是我们更改后的函数体：
>>> def make_averager():
... count = total = 0
... def averager(price):
... count += 1
... total += price
... return total / count
... return averager
但是这个写法实际上是有问题的，我们先运行再分析：
>>> avg = make_averager()
>>> avg(10)
Traceback (most recent call last):
File "", line 1, in
File "", line 4, in averager
UnboundLocalError: local variable 'count' referenced before assignment
这里count 被当成averager 的局部变量，而不是我们期望的自由变量。这是因为count += 1 相当于count = count + 1。因此，我们在averager 函数体中实际包含了给count 赋值的操作，这就把count 变成局部变量。total 也有这个问题。
为了解决这个问题，Python3 引入了nonlocal 关键字，用于声明自由变量。使用nonlocal 修改上述的例子：
>>> def make_averager():
... count = total = 0
... def averager(price):
... nonlocal count, total
... count += 1
... total += price
... return total / count
... return averager
...
>>> avg = make_averager()
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0
叠放装饰器
如果我们把@d1 和@d2 两个装饰器应用到同一个函数f() 上，实际相当于f = d1(d2(f))。
也就是说，下属代码：
@d1
@d2
def f():
pass
等同于：
def f():
pass
f = d1(d2(f))
参数化装饰器
Python 会把被装饰的参数作为第一个参数传递给装饰器函数，那么如何让装饰器接受其它的参数呢？这里我们需要定义一个装饰器工厂函数，返回真正的装饰器函数。
以本文开头的register 装饰器为例，我们为它添加一个active 参数，如果置为False，那就不注册这个函数。
registry = []
def register(active=True):
def decorate(func):
if active:
print(f"注册函数 -> {func}")
# 记录被装饰的函数
registry.append(func)
return func
return decorate
@register()
def f1():
print("执行 f1")
@register(active=False)
def f2():
print("执行 f2")现在我们导入这个模块：
>>> import registration
注册函数 ->
可以看到只注册了f1 函数。
实现一个简单的装饰器
这里我们使用嵌套函数实现一个简单的装饰器：计算被装饰函数执行的耗时，并将函数名、参数和执行的结果打印出来。
import time
def clock(func):
def clocked(*args):
start_time = time.perf_counter()
result = func(*args)
cost = time.perf_counter() - start_time
print(
"[%.2f] %s(%s) -> %r" % (cost, func.__name__, list(map(repr, args)), result)
)
return result
return clocked
下面我们来试试这个装饰器：
>>> @clock
... def factorial(n):
... # 计算 n 的阶乘
... return 1 if n < 2 else n * factorial(n - 1)
>>>
>>> factorial(6)
[0.00] factorial(['1']) -> 1
[0.00] factorial(['2']) -> 2
[0.00] factorial(['3']) -> 6
[0.00] factorial(['4']) -> 24
[0.00] factorial(['5']) -> 120
[0.00] factorial(['6']) -> 720
720
具体来分析一下，这里factorial 作为func 参数传递给clock 函数，然后clock 函数返回clocked 函数，Python 解释器会把clocked 赋值给factorial。所以，如果我们查看factorial 的__name__ 属性，会发现它的值是clocked 而不是factorial。
>>> factorial.__name__
'clocked'
所以，factorial 保存的是clocked 的引用，每次调用factorial 实际上都是在调用clocked 函数。
我们也可以使用functools.wraps 装饰器把func 的一些属性复制到clocked 函数上，例如：__name__ 和__doc__：
def clock(func):
@functools.wraps(func)
def clocked(*args):
start_time = time.perf_counter()
result = func(*args)
cost = time.perf_counter() - start_time
print(
"[%.2f] %s(%s) -> %r" % (cost, func.__name__, list(map(repr, args)), result)
)
return result
return clocked
>>>
>>> @clock
... def factorial(n):
... return 1 if n < 2 else n * factorial(n - 1)
>>>
>>> factorial.__name__
'factorial'
标准库中的装饰器
使用functools.lru_cache 做备忘
functools.lru_cache 会把耗时的函数的结果保存起来，避免传入相同的参数时的重复计算。lru 的意思是Least Recently Used，表示缓存不会无限增长，一段时间不用的缓存条目会被丢弃。
lru_cache 非常适合计算第 n 个斐波那契数这样的慢速递归函数。
我们来看看不使用lru_cache 时的情况：
>>> @clock
... def fibonacci(n):
... return n if n < 2 else fibonacci(n - 2) + fibonacci(n - 1)
...
>>> fibonacci(6)
[0.00000040] fibonacci(['0']) -> 0
[0.00000060] fibonacci(['1']) -> 1
[0.00030500] fibonacci(['2']) -> 1
[0.00000030] fibonacci(['1']) -> 1
[0.00000040] fibonacci(['0']) -> 0
[0.00000060] fibonacci(['1']) -> 1
[0.00042110] fibonacci(['2']) -> 1
[0.00074440] fibonacci(['3']) -> 2
[0.00128530] fibonacci(['4']) -> 3
[0.00000020] fibonacci(['1']) -> 1
[0.00000030] fibonacci(['0']) -> 0
[0.00000050] fibonacci(['1']) -> 1
[0.00035500] fibonacci(['2']) -> 1
[0.00055270] fibonacci(['3']) -> 2
[0.00000030] fibonacci(['0']) -> 0
[0.00000060] fibonacci(['1']) -> 1
[0.00041220] fibonacci(['2']) -> 1
[0.00000040] fibonacci(['1']) -> 1
[0.00000040] fibonacci(['0']) -> 0
[0.00000050] fibonacci(['1']) -> 1
[0.00032410] fibonacci(['2']) -> 1
[0.00061420] fibonacci(['3']) -> 2
[0.00122760] fibonacci(['4']) -> 3
[0.00206850] fibonacci(['5']) -> 5
[0.00352630] fibonacci(['6']) -> 8
8
这种方式有很多重复的计算，例如fibonacci(['1']) 执行了 8 次，fibonacci(['2']) 执行了 5 次等等。
现在我们使用functools.lru_cache 优化一下：
>>> @functools.lru_cache
... @clock
... def fibonacci(n):
... return n if n < 2 else fibonacci(n - 2) + fibonacci(n - 1)
...
>>> fibonacci(6)
[0.00000060] fibonacci(['0']) -> 0
[0.00000070] fibonacci(['1']) -> 1
[0.00106320] fibonacci(['2']) -> 1
[0.00000080] fibonacci(['3']) -> 2
[0.00132790] fibonacci(['4']) -> 3
[0.00000060] fibonacci(['5']) -> 5
[0.00159670] fibonacci(['6']) -> 8
8
可以看到节省了一般的执行时间，并且 n 的每个值只调用了一次函数。
在执行fibonacci(30) 时，如果使用未优化的版本需要 141 秒，使用优化后的版本只需要 0.002 秒。
除了优化递归算法之外，lru_cache 在从 WEB 获取信息的应用中也能发挥巨大作用。
lru_cache 还有两个可选参数：
def lru_cache(maxsize=128, typed=False):
单分派泛函数
假设我们现在开发一个调试 WEB 应用的工具：生成 HTML，显示不同类型的 Python 对象。
我们可以这样编写一个函数：
import html
def htmlize(obj):
content = html.escape(repr(obj))
return f"{content}"
现在我们需要做一些拓展，让它使用特别的方式显示某些特定类型：
最常用的方式就是写if...elif..else 判断：
import numbers
from collections.abc import MutableSequence
def htmlize(obj):
if isinstance(obj, str):
content = obj.replace("\n", "
\n")
return f"{content}
"
elif isinstance(obj, numbers.Integral):
content = f"{obj} ({hex(obj)})"
return f"{content}"
elif isinstance(obj, MutableSequence):
content = "\n".join(htmlize(item) for item in obj)
return ""
else:
content = f"{obj}"
return content如果想添加新的类型判断，只会将函数越写越长，并且各个类型之间耦合度较高，不利于维护。
Python 3.4 新增的functools.singledispatch 装饰器可以将整个方案拆分成多个模块。
import numbers
from collections.abc import MutableSequence
from functools import singledispatch
@singledispatch
def htmlize(obj):
content = f"{obj}"
return content
@htmlize.register(str)
def _(text):
content = text.replace("\n", "
\n")
return f"{content}
"
@htmlize.register(numbers.Integral)
def _(num):
content = f"{num} ({hex(num)})"
return f"{content}"
@htmlize.register(MutableSequence)
def _(seq):
content = "
\n
".join(htmlize(item) for item in seq)
return ""看完上述内容，你们对函数装饰器怎么在Python 中使用有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注创新互联行业资讯频道，感谢大家的支持。
标题名称：函数装饰器怎么在Python中使用-创新互联
网址分享：http://cdkjz.cn/article/dshihe.html
