装饰器本质上是一个函数，该函数用来处理其他函数，它可以让其他函数在不需要修改代码的前提下增加额外的功能，装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景，比如：插入日志、性能测试、事务处理、缓存、权限校验等应用场景。装饰器是解决这类问题的绝佳设计，有了装饰器，我们就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。概括的讲，装饰器的作用就是为已经存在的对象添加额外的功能。
严格来说，装饰器只是语法糖，装饰器是可调用的对象，可以像常规的可调用对象那样调用，特殊的地方是装饰器的参数是一个函数
现在有一个新的需求，希望可以记录下函数的执行时间，于是在代码中添加日志代码：
import time
#遵守开放封闭原则
def foo():
start = time.time()
# print(start) # 1504698634.0291758从1970年1月1号到现在的秒数，那年Unix诞生
time.sleep(3)
end = time.time()
print('spend %s'%(end - start))
foo()
bar()、bar2()也有类似的需求，怎么做？再在bar函数里调用时间函数？这样就造成大量雷同的代码，为了减少重复写代码，我们可以这样做，重新定义一个函数：专门设定时间:
import time
def show_time(func):
start_time=time.time()
func()
end_time=time.time()
print('spend %s'%(end_time-start_time)) def foo():
print('hello foo')
time.sleep(3) show_time(foo)
但是这样的话,你基础平台的函数修改了名字，容易被业务线的人投诉的，因为我们每次都要将一个函数作为参数传递给show_time函数。而且这种方式已经破坏了原有的代码逻辑结构，之前执行业务逻辑时，执行运行foo()，但是现在不得不改成show_time(foo)。那么有没有更好的方式的呢？当然有，答案就是装饰器。
def show_time(f):
def inner():
start = time.time()
f()
end = time.time()
print('spend %s'%(end - start))
return inner @show_time #foo=show_time(f)
def foo():
print('foo...')
time.sleep(1)
foo() def bar():
print('bar...')
time.sleep(2)
bar()
输出结果：
foo...
spend 1.0005607604980469
bar...
函数show_time就是装饰器，它把真正的业务方法f包裹在函数里面，看起来像foo被上下时间函数装饰了。在这个例子中，函数进入和退出时 ，被称为一个横切面(Aspect)，这种编程方式被称为面向切面的编程(Aspect-Oriented Programming)。
@符号是装饰器的语法糖，在定义函数的时候使用，避免再一次赋值操作
装饰器在Python使用如此方便都要归因于Python的函数能像普通的对象一样能作为参数传递给其他函数，可以被赋值给其他变量，可以作为返回值，可以被定义在另外一个函数内。
装饰器有２个特性，一是可以把被装饰的函数替换成其他函数， 二是可以在加载模块时候立即执行
def decorate(func):
print('running decorate', func)
def decorate_inner():
print('running decorate_inner function')
return func()
return decorate_inner @decorate
def func_1():
print('running func_1') if __name__ == '__main__':
print(func_1)
#running decorate <function func_1 at 0x000001904743DEA0>
# <function decorate.<locals>.decorate_inner at 0x000001904743DF28>
func_1()
#running decorate_inner function
# running func_1
通过args 和 *kwargs 传递被修饰函数中的参数
def decorate(func):
def decorate_inner(*args, **kwargs):
print(type(args), type(kwargs))
print('args', args, 'kwargs', kwargs)
return func(*args, **kwargs)
return decorate_inner @decorate
def func_1(*args, **kwargs):
print(args, kwargs) if __name__ == '__main__':
func_1('', '', '', para_1='', para_2='', para_3='') #返回结果
#<class 'tuple'> <class 'dict'>
# args ('1', '2', '3') kwargs {'para_1': '1', 'para_2': '2', 'para_3': '3'}
# ('1', '2', '3') {'para_1': '1', 'para_2': '2', 'para_3': '3'}
带参数的被装饰函数
import time
# 定长
def show_time(f):
def inner(x,y):
start = time.time()
f(x,y)
end = time.time()
print('spend %s'%(end - start))
return inner @show_time
def add(a,b):
print(a+b)
time.sleep(1) add(1,2)
不定长
import time
#不定长
def show_time(f):
def inner(*x,**y):
start = time.time()
f(*x,**y)
end = time.time()
print('spend %s'%(end - start))
return inner @show_time
def add(*a,**b):
sum=0
for i in a:
sum+=i
print(sum)
time.sleep(1) add(1,2,3,4)
带参数的装饰器
在上面的装饰器调用中，比如@show_time，该装饰器唯一的参数就是执行业务的函数。装饰器的语法允许我们在调用时，提供其它参数，比如@decorator(a)。这样，就为装饰器的编写和使用提供了更大的灵活性。
import time
def time_logger(flag=0):
def show_time(func):
def wrapper(*args, **kwargs):
start_time = time.time()
func(*args, **kwargs)
end_time = time.time()
print('spend %s' % (end_time - start_time))
if flag:
print('将这个操作的时间记录到日志中')
return wrapper
return show_time @time_logger(flag=1)
def add(*args, **kwargs):
time.sleep(1)
sum = 0
for i in args:
sum += i
print(sum)
add(1, 2, 5)
@time_logger(flag=1) 做了两件事：
（1）time_logger(1)：得到闭包函数show_time，里面保存环境变量flag
（2）@show_time ：add＝show_time(add)
上面的time_logger是允许带参数的装饰器。它实际上是对原有装饰器的一个函数封装，并返回一个装饰器(一个含有参数的闭包函数)。当我 们使用@time_logger(1)调用的时候，Python能够发现这一层的封装，并把参数传递到装饰器的环境中。
叠放装饰器
执行顺序是什么
如果一个函数被多个装饰器修饰，其实应该是该函数先被最里面的装饰器修饰后（下面例子中函数main()先被inner装饰，变成新的函数），变成另一个函数后，再次被装饰器修饰
def outer(func):
print('enter outer', func)
def wrapper():
print('running outer')
func()
return wrapper def inner(func):
print('enter inner', func)
def wrapper():
print('running inner')
func()
return wrapper @outer
@inner
def main():
print('running main') if __name__ == '__main__':
main() #返回结果
# enter inner <function main at 0x000001A9F2BCDF28>
# enter outer <function inner.<locals>.wrapper at 0x000001A9F2BD5048>
# running outer
# running inner
# running main
类装饰器
相比函数装饰器，类装饰器具有灵活度大、高内聚、封装性等优点。使用类装饰器还可以依靠类内部的__call__方法，当使用 @ 形式将装饰器附加到函数上时，就会调用此方法。
import time class Foo(object):
def __init__(self, func):
self._func = func def __call__(self):
start_time=time.time()
self._func()
end_time=time.time()
print('spend %s'%(end_time-start_time)) @Foo #bar=Foo(bar)
def bar():
print ('bar')
time.sleep(2) bar() #bar=Foo(bar)()>>>>>>>没有嵌套关系了,直接active Foo的 __call__方法
标准库中有多种装饰器
例如：装饰方法的函数有property, classmethod, staticmethod； functools模块中的lru_cache, singledispatch, wraps 等等
from functools import lru_cache
from functools import singledispatch
from functools import wraps
functools.wraps使用装饰器极大地复用了代码，但是他有一个缺点就是原函数的元信息不见了，比如函数的docstring、__name__、参数列表，先看例子：
def foo():
print("hello foo")
print(foo.__name__)# foo def logged(func):
def wrapper(*args, **kwargs):
print (func.__name__ + " was called")
return func(*args, **kwargs)
return wrapper @logged
def cal(x):
resul=x + x * x
print(resul) cal(2)
#
#cal was called
print(cal.__name__)# wrapper
print(cal.__doc__)#None
#函数f被wrapper取代了，当然它的docstring，__name__就是变成了wrapper函数的信息了。
好在我们有functools.wraps，wraps本身也是一个装饰器，它能把原函数的元信息拷贝到装饰器函数中，这使得装饰器函数也有和原函数一样的元信息了。
from functools import wraps def logged(func):
@wraps(func)
def wrapper(*args, **kwargs):
print(func.__name__ + " was called")
return func(*args, **kwargs)
return wrapper @logged
def cal(x):
return x + x * x print(cal.__name__) # cal
使用装饰器会产生我们可能不希望出现的副作用， 例如：改变被修饰函数名称，对于调试器或者对象序列化器等需要使用内省机制的那些工具，可能会无法正常运行；
其实调用装饰器后，会将同一个作用域中原来函数同名的那个变量（例如下面的func_1）,重新赋值为装饰器返回的对象；使用＠wraps后，会把与内部函数（被修饰函数，例如下面的func_1）相关的重要元数据全部复制到外围函数（例如下面的decorate_inner）
from functools import wraps def decorate(func):
print('running decorate', func)
@wraps(func)
def decorate_inner():
print('running decorate_inner function', decorate_inner)
return func()
return decorate_inner @decorate
def func_1():
print('running func_1', func_1) if __name__ == '__main__':
func_1() #输出结果
#running decorate <function func_1 at 0x0000023E8DBD78C8>
# running decorate_inner function <function func_1 at 0x0000023E8DBD7950>
# running func_1 <function func_1 at 0x0000023E8DBD7950>