裝飾器模式

無論何時我們想對一個對象添加額外的功能，都有下面這些不同的可選方法。

如果合理，可以直接將功能添加到對象所屬的類(例如，添加一個新的方法)

使用組合

使用繼承

注意，本文中的Decorator可以為裝飾器或者修飾器。

與繼承相比，通常應該優先選擇組合，因為繼承使得代碼更難復用，繼承關系是靜態的，并且應用于整個類以及這個類的所有實例(請參考[GOF95，第31頁]和網頁[t.cn/RqrC8Yo])。

設計模式為我們提供第四種可選方法，以支持動態地(運行時)擴展一個對象的功能，這種方法就是修飾器。修飾器(Decorator)模式能夠以透明的方式(不會影響其他對象)動態地將功能添加到一個對象中(請參考[GOF95，第196頁])。

在許多編程語言中，使用子類化(繼承)來實現修飾器模式(請參考[GOF95，第198頁])。在Python中，我們可以(并且應該)使用內置的修飾器特性。一個Python修飾器就是對Python語法的一個特定改變，用于擴展一個類、方法或函數的行為，而無需使用繼承。從實現的角度來說，Python修飾器是一個可調用對象(函數、方法、類)，接受一個函數對象fin作為輸入，并返回另一個函數對象fout(請參考網頁)。這意味著可以將任何具有這些屬性的可調用對象當作一個修飾器。在第1章和第2章中已經看到如何使用內置的property修飾器讓一個方法表現為一個變量。在5.4節，我們將學習如何實現及使用我們自己的修飾器。

修飾器模式和Python修飾器之間并不是一對一的等價關系。Python修飾器能做的實際上比修飾器模式多得多，其中之一就是實現修飾器模式(請參考[Eckel08，第59頁]和網頁[t.cn/RqrlLcQ])。

#!/usr/bin/env python

"""https://docs.python.org/2/library/functools.html#functools.wraps"""

"""https://stackoverflow.com/questions/739654/how-can-i-make-a-chain-of-function-decorators-in-python/739665#739665"""

from functools import wraps

def makebold(fn):

return getwrapped(fn, "b")

def makeitalic(fn):

return getwrapped(fn, "i")

def getwrapped(fn, tag):

@wraps(fn)

def wrapped():

return "%s%s>" % (tag, fn(), tag)

return wrapped

@makebold

@makeitalic

def hello():

"""a decorated hello world"""

return "hello world"

if __name__ == '__main__':

print('result:{} name:{} doc:{}'.format(hello(), hello.__name__, hello.__doc__))

### OUTPUT ###

# result:hello world name:hello doc:a decorated hello world

result:hello world name:hello doc:a decorated hello world

# http://stackoverflow.com/questions/3118929/implementing-the-decorator-pattern-in-python

class foo(object):

def f1(self):

print("original f1")

def f2(self):

print("original f2")

class foo_decorator(object):

def __init__(self, decoratee):

self._decoratee = decoratee

def f1(self):

print("decorated f1")

self._decoratee.f1()

def __getattr__(self, name):

return getattr(self._decoratee, name) # 這個不是delegation么

u = foo()

v = foo_decorator(u)

v.f1()

v.f2()

decorated f1

original f1

original f2

現實中的例子

該模式雖名為修飾器，但這并不意味著它應該只用于讓產品看起來更漂亮。修飾器模式通常用于擴展一個對象的功能。這類擴展的實際例子有，給槍加一個消音器、使用不同的照相機鏡頭(在可拆卸鏡頭的照相機上)等。

下圖由sourcemaking.com提供，展示了我們可以如何使用一些專用配件來修飾一把槍，使其 無聲、更準以及更具破壞力(請參考網頁[t.cn/RqrC8Yo])。注意，圖中使用了子類化，但是在 Python中，這并不是必需的，因為可以使用語言內置的修飾器特性。

軟件中的例子

Django框架大量地使用修飾器，其中一個例子是視圖修飾器。Django的視圖(View)修飾器 可用于以下幾種用途(請參考網頁[t.cn/RqrlJbA])。

限制某些HTTP請求對視圖的訪問控制特定視圖上的緩存行為

按單個視圖控制壓縮

基于特定HTTP請求頭控制緩存

Grok框架也使用修飾器來實現不同的目標，比如下面幾種情況。

將一個函數注冊為事件訂閱者

以特定權限保護一個方法

實現適配器模式

應用案例

當用于實現橫切關注點(cross-cutting concerns)時，修飾器模式會大顯神威(請參考[Lott14，第223頁]和網頁[t.cn/Rqrl6O0])。以下是橫切關注點的一些例子。

數據校驗

事務處理(這里的事務類似于數據庫事務，意味著要么所有步驟都成功完成，要么事務失敗) ?緩存

日志

監控

調試

業務規則

壓縮

加密

一般來說，應用中有些部件是通用的，可應用于其他部件，這樣的部件被看作橫切關注點。

使用修飾器模式的另一個常見例子是圖形用戶界面(Graphical User Interface，GUI)工具集。在一個GUI工具集中，我們希望能夠將一些特性，比如邊框、陰影、顏色以及滾屏，添加到單個組件/部件。

實現

Python修飾器通用并且非常強大。你可以在Python官網python.org的修飾器代碼庫頁面(請參考網頁[t.cn/zRHPIq4])中找到許多修飾器的使用樣例。本節中，我們將學習如何實現一個memoization修飾器(請參考網頁[t.cn/zQi9AET])。所有遞歸函數都能因memoization而提速，那么來試試常用的斐波那契數列例子。使用遞歸算法實現斐波那契數列，直接了當，但性能問題較大，即使對于很小的數值也是如此。首先來看看樸素的實現方法(文件fibonacci_naive.py)。

def fibonacci(n):

assert(n >= 0), 'n must be >= 0'

return n if n in (0, 1) else fibonacci(n-1) + fibonacci(n-2)

if __name__ == '__main__':

from timeit import Timer

t = Timer('fibonacci(8)', 'from __main__ import fibonacci')

print(t.timeit())

15.40320448600687

執行一下這個例子就知道這種實現的速度有多慢了。計算第8個斐波那契數要花費運行的樣例輸出如上所示。

使用memoization方法看看能否改善。在下面的代碼中，我們使用一個dict來緩存斐波那契 數列中已經計算好的數值，同時也修改傳給fabonacci()函數的參數，計算第100個斐波那契數， 而不是第8個。

known = {0:0, 1:1}

def fibonacci(n):

assert(n >= 0), 'n must be >= 0'

if n in known:

return known[n]

res = fibonacci(n-1) + fibonacci(n-2)

known[n] = res

return res

if __name__ == '__main__':

from timeit import Timer

t = Timer('fibonacci(100)', 'from __main__ import fibonacci')

print(t.timeit())

0.30129148002015427

執行基于memoization的代碼實現，可以看到性能得到了極大的提升，甚至對于計算大的數 值性能也是可接受的。運行的樣例輸出如上所示。

但這種方法有一些問題。雖然性能不再是一個問題，但代碼也沒有不使用memoization時那 樣簡潔。如果我們決定擴展代碼，加入更多的數學函數，并將其轉變成一個模塊，那又會是什么 樣的呢?假設決定加入的下一個函數是nsum()，該函數返回前n個數字的和。注意這個函數已存 在于math模塊中，名為fsum()，但我們也能很容易就能想到標準庫中還沒有、但是對我們模塊 有用的其他函數(例如，帕斯卡三角形、埃拉托斯特尼篩法等)。所以暫且不必在意示例函數是 否已存在。使用memoization實現nsum()函數的代碼如下所示。

known_sum = {0:0}

def nsum(n):

assert(n >= 0), 'n must be >= 0'

if n in known_sum:

return known_sum[n]

res = n + nsum(n-1)

known_sum[n] = res

return res

你有沒有注意到其中的問題?多了一個名為known_sum的新字典，為nsum提供緩存作用， 并且函數本身也比不使用memoization時的更復雜。這個模塊逐步變得不必要地復雜。保持遞歸 函數與樸素版本的一樣簡單，但在性能上又能與使用memoization的函數相近，這可能嗎?幸運 的是，確實可能，解決方案就是使用修飾器模式。

首先創建一個如下面的例子所示的memoize()函數。這個修飾器接受一個需要使用 memoization的函數fn作為輸入，使用一個名為known的dict作為緩存。函數functools.wraps() 是一個為創建修飾器提供便利的函數;雖不強制，但推薦使用，因為它能保留被修飾函數的文檔字符串和簽名(請參考網頁[t.cn/Rqrl0K5])。這種情況要求參數列表args，因為被修飾的函數可能有輸入參數。如果fibonacci()和nsum()不需要任何參數，那么使用args確實是多余的，但它 們是需要參數n的。

from functools import wraps

def memoize(fn):

known = dict()

@wraps(fn)

def memoizer(*args):

if args not in known:

known[args] = fn(*args)

return known[args]

return memoizer

現在，對樸素版本的函數應用memoize()修飾器。這樣既能保持代碼的可讀性又不影響性能。 我們通過修飾(或修飾行)來應用一個修飾器。修飾使用@name語法，其中name是指我們想要使 用的修飾器的名稱。這其實只不過是一個簡化修飾器使用的語法糖。我們甚至可以繞過這個語法 手動執行修飾器，留給你作為練習吧。來看看下面的例子中如何對我們的遞歸函數使用memoize() 修飾器。

@memoize

def nsum(n):

'''返回前n個數字的和'''

assert(n >= 0), 'n must be <= 0'

return 0 if n == 0 else n + nsum(n-1)

@memoize

def fibonacci(n):

'''返回斐波那契數列的第n個數'''

assert(n >= 0), 'n must be >= 0'

return n if n in (0, 1) else fibonacci(n-1) + fibonacci(n-2)

代碼的最后一部分展示如何使用被修飾的函數，并測量其性能。measure是一個字典列表，用于避免代碼重復。注意name和doc分別是如何展示正確的函數名稱和文檔字符串值的。嘗試從memoize()中刪除@functools.wraps(fn)修飾，看看是否仍舊如此。

if __name__ == '__main__':

from timeit import Timer

measure = [ {'exec':'fibonacci(100)', 'import':'fibonacci', 'func':fibonacci},{'exec':'nsum(200)', 'import':'nsum', 'func':nsum} ]

for m in measure:

t = Timer('{}'.format(m['exec']), 'from __main__ import {}'.format(m['import']))

print('name: {}, doc: {}, executing: {}, time: {}'.format(m['func'].__name__, m['func'].__doc__, m['exec'], t.timeit()))

name: fibonacci, doc: 返回斐波那契數列的第n個數, executing: fibonacci(100), time: 0.29140055197058246

name: nsum, doc: 返回前n個數字的和, executing: nsum(200), time: 0.3004333569551818

看看我們數學模塊的完整代碼(文件mymath.py)和執行時的樣例輸出。

from functools import wraps

def memoize(fn):

known = dict()

@wraps(fn)

def memoizer(*args):

if args not in known:

known[args] = fn(*args)

return known[args]

return memoizer

@memoize

def nsum(n):

'''返回前n個數字的和'''

assert(n >= 0), 'n must be <= 0'

return 0 if n == 0 else n + nsum(n-1)

@memoize

def fibonacci(n):

'''返回斐波那契數列的第n個數'''

assert(n >= 0), 'n must be >= 0'

return n if n in (0, 1) else fibonacci(n-1) + fibonacci(n-2)

if __name__ == '__main__':

from timeit import Timer

measure = [ {'exec':'fibonacci(100)', 'import':'fibonacci', 'func':fibonacci},{'exec':'nsum(200)', 'import':'nsum', 'func':nsum} ]

for m in measure:

t = Timer('{}'.format(m['exec']), 'from __main__ import {}'.format(m['import']))

print('name: {}, doc: {}, executing: {}, time: {}'.format(m['func'].__name__, m['func'].__doc__, m['exec'], t.timeit()))

name: fibonacci, doc: 返回斐波那契數列的第n個數, executing: fibonacci(100), time: 0.272907609003596

name: nsum, doc: 返回前n個數字的和, executing: nsum(200), time: 0.2719842789811082

不錯!這一方案同時具備可讀的代碼和可接受的性能。此時，你可能想爭論說這不是修飾器 模式，因為我們并不是在運行時應用它。被修飾的函數確實無法取消修飾，但仍然可以在運行時 決定是否執行修飾器。這個有趣的練習就留給你來完成吧。

使用修飾器進行一層額外的封裝，基于某個條件來決定是否執行真正的修 飾器。

修飾器的另一個有趣的特性是可以使用多個修飾器來修飾一個函數。本章沒有涉及這一特 性，因此這是另一個練習，創建一個修飾器來幫助你調試遞歸函數，并將其應用于nsum()和 fibonacci()。多個修飾器會以什么次序執行?

如果你仍未充分理解修飾器，那么我有最后一個練習留給你。修飾器memoize()無法修飾接 受多個參數的函數。我們如何可以驗證這一點?驗證之后，嘗試找到一種方法解決這個問題: 經測試，memoize()對多參函數仍然有效。(此處可能有誤)

小結

本章介紹了修飾器模式及其與Python編程語言的關聯。我們使用修飾器模式來擴展一個對象的行為，無需使用繼承，非常方便。Python進一步擴展了修飾器的概念，允許我們無需使用繼承或組 合就能擴展任意可調用對象(函數、方法或類)的行為。我們可以使用Python內置的修飾器特性。

我們看了現實中一些被修飾對象的例子，比如槍和照相機。從軟件的視角來看，Django和Grok都使用了修飾器來達到不同的目標，比如控制HTTP壓縮和緩存。

修飾器模式是實現橫切關注點的絕佳方案，因為橫切關注點通用但不太適合使用面向對象編 程范式來實現。在5.3節中我們提到很多種橫切關注點。事實上，5.4節演示了一個橫切關注點， memoization。我們看到修飾器如何可以幫助我們保持函數簡潔，同時不犧牲性能。

本章中推薦的練習可以幫助你更好地理解修飾器，這樣你就能將這一強大工具用于解決許多 常見的(或許不太常見的)編程問題。第6章將介紹外觀模式，一種簡化復雜系統訪問的方式。

個人讀后感，好爛的一章，完全就是湊字數，還不如干脆挑明了直接解釋傳統意義上的裝飾器模式和python的裝飾器之間的差別，還有自己造了一個輪子：memorize，其實我們完全可以使用現有的輪子： from functools import lru_cache，還是別自己造輪子了。。

我后續會補充完整這方面的內容。

總結

以上是生活随笔為你收集整理的python 装饰器 继承_Python设计模式之装饰器模式的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。