Python很早就引入了装饰器——在PEP-318中，作为一种简化函数和方法定义方式的机制，这些函数和方法在初始定义之后必须进行修改。
这样做的最初动机之一是，使用classmethod和staticmethod等函数来转换方法的原始定义，但是它们需要额外的一行代码来修改函数的初始定义。
一般来说，每次必须对函数应用转换时，我们必须使用modifier函数调用它，然后将它重新分配到函数初始定义时的名称中。
例如，假设有一个叫作original的函数，在它上面有一个改变original行为的函数（叫作modifier），那么我们必须这样写：
def original(...):
...
original = modifier(original)请注意我们是如何更改函数并将其重新分配到相同的名称中去的。这是令人困惑的，很容易出错（假设有人忘记重新分配函数，或者重新分配了函数，但不在函数定义之后的行中，而是在更远的地方），而且很麻烦。出于这个原因，Python语言增加了一些语法支持。
前面的示例可以改写为如下样式：
@modifier
def original(...):
...这意味着装饰器只是语法糖，用于调用装饰器之后的内容作为装饰器本身的第一个参数，结果将是装饰器返回的内容。
为了与Python的术语一致，在我们的示例中modifier称为装饰器，original是装饰函数，通常也被称为包装对象。
虽然该功能最初被认为是用于方法和函数的，但实际的语法允许它修饰任何类型的对象，因此我们将研究应用于函数、方法、生成器和类的装饰器。
最后一点需要注意的是，虽然装饰器的名称是正确的（毕竟，装饰器实际上是在对包装函数进行更改、扩展或处理），但不要将它与装饰器设计模式混淆。
函数可能是对可以装饰的Python对象的最简单的表示形式。我们可以在函数上使用装饰器来应用各种逻辑——我们可以验证参数、检查前置条件、完全改变行为、修改其签名、缓存结果（创建原始函数的内存版本）等。
例如，我们将创建一个实现retry机制的基本装饰器，控制一个特定的域级异常并重试一定的次数：
# decorator_function_1.py
class ControlledException(Exception):
"""A generic exception on the program's domain."""
def retry(operation):
@wraps(operation)
def wrapped(*args, **kwargs):
last_raised = None
RETRIES_LIMIT = 3
for _ in range(RETRIES_LIMIT):
try:
return operation(*args, **kwargs)
except ControlledException as e:
logger.info("retrying %s", operation.__qualname__)
last_raised = e
raise last_raised
return wrapped现在可以忽略@wrap的使用，因为它将在另一节中讨论。在for循环中使用“_”，意味着这个数字被分配给一个我们目前不感兴趣的变量，因为它不在for循环中使用（在Python中，将被忽略的值命名为“_”是一个常见的习惯用法）。
retry装饰器不接收任何参数，所以它可以很容易地应用于任何函数，如下所示：
@retry
def run_operation(task):
"""Run a particular task, simulating some failures on its execution."""
return task.run()正如一开始所解释的，在run_operation之上@retry的定义只是Python提供的语法糖，用于实际执行run_operation = retry(run_operation)。
在这个有限的示例中，我们可以看到如何用装饰器创建一个通用的retry操作，在某些确定的条件下（在本示例中，表示为可能与超时相关的异常），该操作将允许多次调用装饰后的代码。
类也可以被装饰（PEP-3129），其装饰方法与语法函数的装饰方法相同。唯一的区别是，在为装饰器编写代码时，我们必须考虑到所接收的是一个类，而不是一个函数。
一些实践者可能会认为装饰类是相当复杂的事情，这样的场景可能会损害可读性，因为我们将在类中声明一些属性和方法，但是在幕后，装饰器可能会应用一些变化，从而呈现一个完全不同的类。
这种评定是正确的，但只有在装饰类技术被严重滥用的情况下成立。客观上，这与装饰功能没有什么不同；毕竟，类和函数一样，都只是Python生态系统中的一种类型的对象而已。在5.4节中，我们将再次审视这个问题的优缺点，但是这里只探索装饰器的优点，尤其是适用于类的装饰器的优点。
（1）重用代码和DRY原则的所有好处。类装饰器的一个有效情况是，强制多个类符合特定的接口或标准（通过只在将应用于多个类的装饰器中进行一次检查）。
（2）可以创建更小或更简单的类——这些类稍后将由装饰器进行增强。
（3）如果使用装饰器，那么需要应用到特定类上的转换逻辑将更容易维护，而不会使用更复杂的（通常是不鼓励使用的）方法，如元类。
在装饰器的所有可能应用程序中，我们将探索一个简单的示例，以了解装饰器可以用于哪些方面。记住，这不是类装饰器的唯一应用程序类型，而且给出的代码还可以有许多其他解决方案。所有这些解决方案都有优缺点，之所以选择装饰器，是为了说明它们的用处。
回顾用于监视平台的事件系统，现在需要转换每个事件的数据并将其发送到外部系统。然而，在选择如何发送数据时，每种类型的事件可能都有自己的特殊性。
特别是，登录事件可能包含敏感信息，例如我们希望隐藏的凭据。时间戳等其他领域的字段可能也需要一些转换，因为我们希望以特定的格式显示它们。符合这些要求的第一次尝试很简单，就像有一个映射到每个特定事件的类，并知道如何序列化它那样：
class LoginEventSerializer:
def __init__(self, event):
self.event = event
def serialize(self) -> dict:
return {
"username": self.event.username,
"password": "**redacted**",
"ip": self.event.ip,
"timestamp": self.event.timestamp.strftime("%Y-%m-%d
%H:%M"),
}
class LoginEvent:
SERIALIZER = LoginEventSerializer
def __init__(self, username, password, ip, timestamp):
self.username = username
self.password = password
self.ip = ip
self.timestamp = timestamp
def serialize(self) -> dict:
return self.SERIALIZER(self).serialize()在这里，我们声明一个类。该类将直接映射到登录事件，其中包含它的一些逻辑——隐藏密码字段，并根据需要格式化时间戳。
虽然这是可行的，可能开始看起来是一个不错的选择，但随着时间的推移，若要扩展系统，就会发现一些问题。
（1）类太多。随着事件数量的增多，序列化类的数量将以相同的量级增长，因为它们是一一映射的。
（2）解决方案不够灵活。如果我们需要重用部分组件（例如，需要把密码藏在也有类似需求的另一个类型的事件中），就不得不将其提取到一个函数，但也要从多个类中调用它，这意味着我们没有重用那么多代码。
（3）样板文件。serialize()方法必须出现在所有事件类中，同时调用相同的代码。尽管我们可以将其提取到另一个类中（创建mixin），但这似乎没有很好地使用继承。
另一种解决方案是能够动态构造一个对象：给定一组过滤器（转换函数）和一个事件实例，该对象能够通过将过滤器应用于其字段的方式序列化它。然后，我们只需要定义转换每种字段类型的函数，并通过组合这些函数创建序列化器。
一旦有了这个对象，我们就可以装饰类以添加serialize()方法。该方法只会调用这些序列化对象本身：
def hide_field(field) -> str:
return "**redacted**"
def format_time(field_timestamp: datetime) -> str:
return field_timestamp.strftime("%Y-%m-%d %H:%M")
def show_original(event_field):
return event_field
class EventSerializer:
def __init__(self, serialization_fields: dict) -> None:
self.serialization_fields = serialization_fields
def serialize(self, event) -> dict:
return {
field: transformation(getattr(event, field))
for field, transformation in
self.serialization_fields.items()
}
class Serialization:
def __init__(self, **transformations):
self.serializer = EventSerializer(transformations)
def __call__(self, event_class):
def serialize_method(event_instance):
return self.serializer.serialize(event_instance)
event_class.serialize = serialize_method
return event_class
@Serialization(
username=show_original,
password=hide_field,
ip=show_original,
timestamp=format_time,
)
class LoginEvent:
def __init__(self, username, password, ip, timestamp):
self.username = username
self.password = password
self.ip = ip
self.timestamp = timestamp注意，装饰器让你更容易知道如何处理每个字段，而不必查看另一个类的代码。仅通过读取传递给类装饰器的参数，我们就知道用户名和IP地址将保持不变，密码将被隐藏，时间戳将被格式化。
现在，类的代码不需要定义serialize()方法，也不需要从实现它的mixin类进行扩展，因为这些都将由装饰器添加。实际上，这可能是创建类装饰器的唯一理由，因为如果不是这样的话，序列化对象可能是LoginEvent的一个类属性，但是它通过向该类添加一个新方法来更改类，这使得创建该类装饰器变得不可能。
我们还可以使用另一个类装饰器，通过定义类的属性来实现init方法的逻辑，但这超出了本例的范围。
通过使用Python 3.7+ 中的这个类装饰器（PEP-557），可以按更简洁的方式重写前面的示例，而不使用init的样板代码，如下所示：
from dataclasses import dataclass
from datetime import datetime
@Serialization(
username=show_original,
password=hide_field,
ip=show_original,
timestamp=format_time,
)
@dataclass
class LoginEvent:
username: str
password: str
ip: str
timestamp: datetime既然我们已经知道了装饰器的@语法的实际含义，就可以得出这样的结论：可以装饰的不仅是函数、方法或类；实际上，任何可以定义的东西（如生成器、协同程序甚至是装饰过的对象）都可以装饰，这意味着装饰器可以堆叠起来。
前面的示例展示了如何链接装饰器。我们先定义类，然后将@dataclass应用于该类——它将该类转换为数据类，充当这些属性的容器。之后，通过@Serialization把逻辑应用到该类上，从而生成一个新类，其中添加了新的serialize()方法。
装饰器另一个好的用法是用于应该用作协同程序的生成器。我们将在第7章中探讨生成器和协同程序的细节，其主要思想是，在向新创建的生成器发送任何数据之前，必须通过调用next()将后者推进到下一个yield语句。这是每个用户都必须记住的手动过程，因此很容易出错。我们可以轻松创建一个装饰器，使其接收生成器作为参数，调用next()，然后返回生成器。
至此，我们已经将装饰器看作Python中的一个强大工具。如果我们可以将参数传递给装饰器，使其逻辑更加抽象，那么其功能可能会更加强大。
有几种实现装饰器的方法可以接收参数，但是接下来我们只讨论最常见的方法。第一种方法是将装饰器创建为带有新的间接层的嵌套函数，使装饰器中的所有内容深入一层。第二种方法是为装饰器使用一个类。
通常，第二种方法更倾向于可读性，因为从对象的角度考虑，其要比3个或3个以上使用闭包的嵌套函数更容易。但是，为了完整起见，我们将对这两种方法进行探讨，以便你可以选择使用最适合当前问题的方法。
粗略地说，装饰器的基本思想是创建一个返回函数的函数（通常称为高阶函数）。在装饰器主体中定义的内部函数将是实际被调用的函数。
现在，如果希望将参数传递给它，就需要另一间接层。第一个函数将接收参数，在该函数中，我们将定义一个新函数（它将是装饰器），而这个新函数又将定义另一个新函数，即装饰过程返回的函数。这意味着我们将至少有3层嵌套函数。
如果你到目前为止还不明白上述内容的含义，也不用担心，待查看下面给出的示例之后，就会明白了。
第一个示例是，装饰器在一些函数上实现重试功能。这是个好主意，只是有个问题：实现不允许指定重试次数，只允许在装饰器中指定一个固定的次数。
现在，我们希望能够指出每个示例有多少次重试，也许甚至可以为这个参数添加一个默认值。为了实现这个功能，我们需要用到另一层嵌套函数——先用于参数，然后用于装饰器本身。
这是因为如下代码：
@retry(arg1, arg2,... )必须返回装饰器，因为@语法将把计算结果应用到要装饰的对象上。从语义上讲，它可以翻译成如下内容：
<original_function> = retry(arg1, arg2, ....)(<original_function>)除了所需的重试次数，我们还可以指明希望控制的异常类型。支持新需求的新版本代码可能是这样的：
RETRIES_LIMIT = 3
def with_retry(retries_limit=RETRIES_LIMIT, allowed_exceptions=None):
allowed_exceptions = allowed_exceptions or (ControlledException,)
def retry(operation):
@wraps(operation)
def wrapped(*args, **kwargs):
last_raised = None
for _ in range(retries_limit):
try:
return operation(*args, **kwargs)
except allowed_exceptions as e:
logger.info("retrying %s due to %s", operation, e)
last_raised = e
raise last_raised
return wrapped
return retry下面是这个装饰器如何应用于函数的一些示例，其中显示了它接收的不同选项：
# decorator_parametrized_1.py
@with_retry()
def run_operation(task):
return task.run()
@with_retry(retries_limit=5)
def run_with_custom_retries_limit(task):
return task.run()
@with_retry(allowed_exceptions=(AttributeError,))
def run_with_custom_exceptions(task):
return task.run()
@with_retry(
retries_limit=4, allowed_exceptions=(ZeroDivisionError, AttributeError)
)
def run_with_custom_parameters(task):
return task.run()前面的示例需要用到3层嵌套函数。首先，这将是一个用于接收我们想要使用的装饰器的参数。在这个函数中，其余的函数是使用这些参数和装饰器逻辑的闭包。
更简洁的实现方法是用一个类定义装饰器。在这种情况下，我们可以在__init__方法中传递参数，然后在名为__call__的魔法方法上实现装饰器的逻辑。
装饰器的代码如下所示：
class WithRetry:
def __init__(self, retries_limit=RETRIES_LIMIT,
allowed_exceptions=None):
self.retries_limit = retries_limit
self.allowed_exceptions = allowed_exceptions or
(ControlledException,)
def __call__(self, operation):
@wraps(operation)
def wrapped(*args, **kwargs):
last_raised = None
for _ in range(self.retries_limit):
try:
return operation(*args, **kwargs)
except self.allowed_exceptions as e:
logger.info("retrying %s due to %s", operation, e)
last_raised = e
raise last_raised
return wrapped这个装饰器可以像之前的一样应用，就像这样：
@WithRetry(retries_limit=5)
def run_with_custom_retries_limit(task):
return task.run()注意Python语法在这里是如何起作用的，这一点很重要。首先，我们创建对象，这样在应用@操作之前，对象已经创建好了，并且其参数传递给它了，用这些参数初始化这个对象，如init方法中定义的那样。在此之后，我们将调用@操作，这样该对象将包装名为run_with_custom_reries_limit的函数，而这意味着它将被传递给call这个魔法方法。
在call这个魔法方法中，我们定义了装饰器的逻辑，就像通常所做的那样——包装了原始函数，返回一个新的函数，其中包含所要的逻辑。
本节介绍一些充分利用装饰器的常见模式。在有些常见的场景中使用装饰器是个非常好的选择。
可用于应用程序的装饰器数不胜数，下面仅列举几个最常见或相关的。
（1）转换参数。更改函数的签名以公开更好的API，同时封装关于如何处理和转换参数的详细信息。
（2）跟踪代码。记录函数及其参数的执行情况。
（3）验证参数。
（4）实现重试操作。
（5）通过把一些（重复的）逻辑移到装饰器中来简化类。
接下来详细讨论前两个应用程序。
前文提到，装饰器可以用来验证参数（甚至在DbC的概念下强制一些前置条件或后置条件），因此你可能已经了解到，这是一些处理或者操控参数时使用装饰器的常用方法。
特别是，在某些情况下，我们会发现自己反复创建类似的对象，或者应用类似的转换，而我们希望将这些转换抽象掉。大多数时候，我们可以通过简单地用装饰器实现这一点。
在本节中讨论跟踪时，我们将提到一些更通用的内容，这些内容与处理所要监控的函数的执行有关，具体是指：
（1）实际跟踪函数的执行（例如，通过记录函数执行的行）；
（2）监控函数的一些指标（如CPU使用量或内存占用）；
（3）测量函数的运行时间；
（4）函数被调用时的日志，以及传递给它的参数。
我们将在5.2节剖析一个简单的装饰器示例，该示例记录了函数的执行情况，包括函数名和运行时间。
本文摘自《编写整洁的Python代码》
本书介绍Python软件工程的主要实践和原则，旨在帮助读者编写更易于维护和更整洁的代码。全书共10章：第1章介绍Python语言的基础知识和搭建Python开发环境所需的主要工具；第2章描述Python风格代码，介绍Python中的第一个习惯用法；第3章总结好代码的一般特征，回顾软件工程中的一般原则；第4章介绍一套面向对象软件设计的原则，即SOLID原则；第5章介绍装饰器，它是Python的**特性之一；第6章探讨描述符，介绍如何通过描述符从对象中获取更多的信息；第7章和第8章介绍生成器以及单元测试和重构的相关内容；第9章回顾Python中最常见的设计模式；第10章再次强调代码整洁是实现良好架构的基础。
本书适合所有Python编程爱好者、对程序设计感兴趣的人，以及其他想学习更多Python知识的软件工程的从业人员。