本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理
最近阅读《流畅的python》看见其用函数写装饰器部分写的很好，想写一些自己的读书笔记。众所周知，装饰器是python学习过程中的一道门槛，初学者学习时往往是知其然，不知其所以然，这样的结果是导致一段时间后会遗忘掉该部分内容，只好再次去学习，拉高了学习成本。
想学好python的装饰器，需要明白一下几点；
1:闭包
1）函数嵌套
2）内部函数使用外部函数的变量
3）外部函数的返回值为内部函数
接下来看看《流畅的python》中的例子，我稍微修改了一下：
>>> def make_averager(series=[]):
... def averager(new_value):
... series.append(new_value)
... total = sum(series)
... return total/len(series)
... return averager
...
>>> avg = make_averager()
>>> avg
<function make_averager.<locals>.averager at 0x10b82cb00>
>>> avg(10)
10.0
>>> avg(11)
10.5
>>> avg(12)
11.0
函数 make_averager 实现了一个 计算当前所有数字的平均值的功能，不断的添加一个值，然后计算当前的平均值。
avg这个对象内存地址指向了make_averager这个函数的内部函数中，而且avg通过不断的添加值进行平均值计算，按理说在这个内部函数没有存储new_value的空间，而且在make_averager对avg赋值后，函数返回后series这个变量也应该消失了，但是avg却依然可以进行计算。
这就是闭包，内部函数averager使用外面的*变量，也就是属于make_averager的局部变量series
>>> avg.__code__.co_varnames
('new_value', 'total')
>>> avg.__code__.co_freevars
('series',)
可以发现avg的*变量是make_averager的局部变量，就是说闭包里的内部函数可以使用外部函数的变量，即我们上面提到的第二点：“内部函数使用外部函数的变量”， 注：*变量只能read，并不能write，不然会提示本地变量并没有赋值的错误，我们举的例子没遇到这个问题，因为我们没有给 series 赋值，我们只是调 用 series.append，并把它传给 sum 和 len。也就是说，我们利用了 列表是可变的对象这一事实 。下图是书中提供的闭包范围图：
2:装饰器的实现
所谓装饰器，就是在不改变基础函数的功能上再次给它封装一层，达到我们想要的目的，接下来我举个简单的例子:
deco_demo.py
1 def col(func):
2 def inner(*args, **kwargs):
3 print(func.__name__)
4 print(locals())
5 print(inner.__code__.co_varnames)
6 print(inner.__code__.co_freevars)
7 return func(*args, **kwargs)
8 return inner
9
10
11 @col
12 def new_add(x):
13 return x+2
14
15
16 def new_add_1(x):
17 return x+3
18
19
20 print(new_add(3))
21
22 new_add_1 = col(new_add_1)
23 print(new_add_1(3))
下方是它的返回结果:
new_add
{'args': (3,), 'kwargs': {}, 'func': <function new_add at 0x10d32aa70>, 'inner': <function col.<locals>.inner at 0x10d32acb0>}
('args', 'kwargs')
('func', 'inner')
5
new_add_1
{'args': (3,), 'kwargs': {}, 'func': <function new_add_1 at 0x10d32add0>, 'inner': <function col.<locals>.inner at 0x10d32a8c0>}
('args', 'kwargs')
('func', 'inner')
6
1-8：是定义的一个简单装饰器，
3：打印当被装饰函数的名字
4：打印inner这个内部函数中的所有变量
5：打印当前inner的局部变量；
6：则打印*变量；
11-13：修饰了一个简单函数
16，22，23：@这个语法糖，背后实现的过程；
也就是说 col(new_add) 返回的是当前的内部函数的内存地址，而这个调用这个内部函数时会使用*变量func即col的局部变量，进而达到装饰器的目的；
有参数的装饰器实现
既然无参数的装饰器即@col ，通过内部函数的方式装饰基础函数，那么我们调用有参数的装饰器 则可以再原本的基础即函数col再封装一层函数，使其达到可以通过装饰器传参数的目的
1 from functools import wraps
2
3
4 def col(string="hello world"):
5 def decorate(func):
6 @wraps(func)
7 def inner(*args, **kwargs):
8 print(string)
9 return func(*args, **kwargs)
10 return inner
11 return decorate
12
13
14 @col()
15 def new_add(x):
16 return x+2
17
18
19 @col("hello python")
20 def new_add_1(x):
21 return x+3
22
23
24 def new_add_2(x):
25 return x+4
26
27
28 print(new_add(1))
29 print(new_add_1(1))
30
31
32 new_add_2 = col("hello china")(new_add_2)
33 print(new_add_2(1))
导入wrap是为了修复这个装饰器的名称， new_add.__name__ 调用时指向被装饰的函数，而不是内部函数，有兴趣的小伙伴可以去了解一下；
4-11：实现了一个带参数的装饰器，最外层返回的是我们真正的装饰器；
32-33：则是@这个装饰器语法糖背后的实现过程
可以发现new_add与new_add_1这两个函数的装饰器是两个不同值，而我们的装饰器也返回了不同的对应情况
hello world
3
hello python
4
hello china
5
间而言之：装饰器就是在我们需要添加功能的函数上进而封装一层，而python的语法糖@背后，帮助我们省略掉了这些赋值的过程；
3：装饰器何时调用
关于装饰器何时运行，我们分两种情况讨论，一种是当作脚本运行时，另一种是当作模块被导入时；
1 registry = []
2
3
4 def register(func):
5 print(f"running register {func}")
6 registry.append(func)
7 return func
8
9
10 @register
11 def f1():
12 print('running f1()')
13
14
15 @register
16 def f2():
17 print('running f2()')
18
19
20 def f3():
21 print('running f3()')
22
23
24 def main():
25 print('running main()')
26 print('regisry ->', registry)
27 f1()
28 f2()
29 f3()
30
31
32 if __name__ == '__main__':
33 main()
当作独立脚本运行时:
running register <function f1 at 0x103f9dcb0>
running register <function f2 at 0x103f9ddd0>
running main()
regisry -> [<function f1 at 0x103f9dcb0>, <function f2 at 0x103f9ddd0>]
running f1()
running f2()
running f3()
被当作模块导入时：
>>> import registration
running register <function f1 at 0x1005a2710>
running register <function f2 at 0x1005a2b90>
>>> registration.registry
[<function f1 at 0x1005a2710>, <function f2 at 0x1005a2b90>]
该段代码的装饰器主要功能是：记录了被装饰函数的个数，通常是web框架以这种方式把函数注册到*注册器的某处。
总结：可以发现装饰器无论是作为模块被导入，还是单独的脚本运行，它都是优先执行的；
4:装饰器的常用模块
之前介绍的function.wraps不用说了，接下来介绍两种神奇的装饰器;
1：singledispatch
何为singledispatch ？
就是在不改变函数本身的功能上复用该函数，达到重复使用函数名的目的，有点类似多态的感觉；可以把整体方案拆分成多个模块，甚至可以为你无法修改的类提供专门的函数。使用@singledispatch 装饰的普通函数会变成泛函数(generic function)；根据第一个参数的类型，以不同方式执行相同操作的一组函数
1 from functools import singledispatch
2
3
4 @singledispatch
5 def hello(obj):
6 print(obj)
7
8
9 @hello.register(str)
10 def _(text):
11 print("hello world "+text)
12
13
14 @hello.register(int)
15 def _(n):
16 print(n)
17
18
19 hello({"what": "say"})
20 print('*'*30)
21 hello('dengxuan')
22 print('*'*30)
23 hello(123)
{'what': 'say'}
******************************
hello world dengxuan
******************************
123
从该段代码中我们可以发现，当使用singledispatch这个装饰器时，函数hello可以根据不同的参数返回不同的结果。这样的好处就是极大的减少代码中的if/elif/else，并且可以复用函数名称 _ （下横线代表没用)，降低了代码的耦合度，达到了多态的效果。
2：lru_cache
根据书上原话：
functools.lru_cache 是非常实用的装饰器，它实现了备忘 (memoization)功能。这是一项优化技术，它把耗时的函数的结果保存 起来，避免传入相同的参数时重复计算。LRU 三个字母是“Least Recently Used”的缩写，表明缓存不会无限制增长，一段时间不用的缓存 条目会被扔掉。
1 from my_tools.runtime import clock
2 import functools
3
4
5 @functools.lru_cache()
6 @clock
7 def fibonacci(n):
8 if n < 2:
9 return n
10 return fibonacci(n-2)+fibonacci(n-1)
11
12
13 if __name__ == '__main__':
14 print(fibonacci(6))
第5行：注释funtools.lru_cache()
返回结果：
[0.00000046] fibonacci(0) -> 0
[0.00000053] fibonacci(1) -> 1
[0.00006782] fibonacci(2) -> 1
[0.00000030] fibonacci(1) -> 1
[0.00000035] fibonacci(0) -> 0
[0.00000037] fibonacci(1) -> 1
[0.00001312] fibonacci(2) -> 1
[0.00002514] fibonacci(3) -> 2
[0.00010535] fibonacci(4) -> 3
[0.00000030] fibonacci(1) -> 1
[0.00000030] fibonacci(0) -> 0
[0.00000037] fibonacci(1) -> 1
[0.00001209] fibonacci(2) -> 1
[0.00002376] fibonacci(3) -> 2
[0.00000028] fibonacci(0) -> 0
[0.00000038] fibonacci(1) -> 1
[0.00001210] fibonacci(2) -> 1
[0.00000028] fibonacci(1) -> 1
[0.00000036] fibonacci(0) -> 0
[0.00000034] fibonacci(1) -> 1
[0.00001281] fibonacci(2) -> 1
[0.00002466] fibonacci(3) -> 2
[0.00004897] fibonacci(4) -> 3
[0.00008414] fibonacci(5) -> 5
[0.00020196] fibonacci(6) -> 8
8
当取消掉第5行注释时;
[0.00000040] fibonacci(0) -> 0
[0.00000049] fibonacci(1) -> 1
[0.00008032] fibonacci(2) -> 1
[0.00000066] fibonacci(3) -> 2
[0.00009398] fibonacci(4) -> 3
[0.00000063] fibonacci(5) -> 5
[0.00010943] fibonacci(6) -> 8
8
可以发现，lru_cache()这个装饰器，极大的提高了计算性能；
maxsize 参数指定存储多少个调用的结果。缓存满了之后，旧的结果会被扔掉，腾出空间。为了得到最佳性能，maxsize 应该设为 2 的 幂。typed 参数如果设为 True，把不同参数类型得到的结果分开保存，即把通常认为相等的浮点数和整数参数(如 1 和 1.0)区分开。顺 便说一下，因为 lru_cache 使用字典存储结果，而且键根据调用时传 入的定位参数和关键字参数创建，所以被 lru_cache 装饰的函数，它的所有参数都必须是可散列的。
5：多重装饰器
@d1
@d2
def f():
print('hello world') ########################### def f():
print("hello world") f = d1(d2(f))
上下两块代码是等效效果；
想要获取更多Python学习资料可以加
QQ:2955637827私聊
或加Q群630390733
大家一起来学习讨论吧！