production_servers = [...]
?
def production(func: Callable):
    def inner(*args, **kwargs):
        if gethostname() in production_servers:
            return func(*args, **kwargs)
        else:
            print('This host is not a production server, skipping function decorated with @production...')
    return inner
?
def development(func: Callable):
    def inner(*args, **kwargs):
        if gethostname() not in production_servers:
            return func(*args, **kwargs)
        else:
            print('This host is a production server, skipping function decorated with @development...')
    return inner
?
def sit(func: Callable):
    def inner(*args, **kwargs):
        print('Skipping function decorated with @sit...')
    return inner
?
@production
def foo():
    print('Running in production, touching databases!')
?
foo()
?
@development
def foo():
    print('Running in production, touching databases!')
?
foo()
?
@inactive
def foo():
    print('Running in production, touching databases!')
?
foo()

簡單的介紹一下這段代碼。

在這里，先是羅列了生產(chǎn)環(huán)境的服務(wù)列表，然后分別定義了生產(chǎn)、開發(fā)、測試環(huán)境的裝飾器，然后給同名的函數(shù)就可以配上對應(yīng)的裝飾器。

在執(zhí)行代碼的過程中，這段代碼會首先獲取hostname，自動判斷所在環(huán)境，然后執(zhí)行對應(yīng)函數(shù)。

第三方工具包

上面是根據(jù)我們在開發(fā)過程中遇到的個性化場景進行來自定義一個裝飾器。

作為一款以工具包著稱的編程語言，Python中也有很多工具包提供了一些實用的裝飾器。

以日志為例，這是每個程序員都無法繞開的。

調(diào)試程序?qū)τ诖蠖鄶?shù)開發(fā)者來說是一項必不可少的工作，當我們想要知道代碼是否按照預期的效果在執(zhí)行時，我們會想到去輸出一下局部變量與預期的進行比對。目前大多數(shù)采用的方法主要有以下幾種：

Print函數(shù)
Log日志
IDE調(diào)試器

但是這些方法有著無法忽視的弱點：

繁瑣
過度依賴工具

其中有一款不錯的開源工具PySnooper就通過裝飾器把這個問題巧妙的解決了。

PySnooper的調(diào)用方式就是通過@pysnooper.snoop的方式進行使用，該裝飾器可以傳入一些參數(shù)來實現(xiàn)一些目的，具體如下：

參數(shù)描述：

None輸出日志到控制臺
filePath輸出到日志文件，例如'log/file.log'
prefix給調(diào)試的行加前綴，便于識別
watch查看一些非局部變量表達式的值
watch_explode展開值用以查看列表/字典的所有屬性或項
depth顯示函數(shù)調(diào)用的函數(shù)的snoop行

舉個例子：

import numpy as np
import pysnooper
?
@pysnooper.snoop()
def one(number):
    mat = []
    while number:
        mat.append(np.random.normal(0, 1))
        number -= 1
    return mat
?
one(3)

然后，就會給出如下輸出：

Starting var:.. number = 3
22:17:10.634566 call 6 def one(number):
22:17:10.634566 line 7 mat = []
New var:....... mat = []
22:17:10.634566 line 8 while number:
22:17:10.634566 line 9 mat.append(np.random.normal(0, 1))
Modified var:.. mat = [-0.4142847169210746]
22:17:10.634566 line 10 number -= 1
Modified var:.. number = 2
22:17:10.634566 line 8 while number:
22:17:10.634566 line 9 mat.append(np.random.normal(0, 1))
Modified var:.. mat = [-0.4142847169210746, -0.479901983375219]
22:17:10.634566 line 10 number -= 1
Modified var:.. number = 1
22:17:10.634566 line 8 while number:
22:17:10.634566 line 9 mat.append(np.random.normal(0, 1))
Modified var:.. mat = [-0.4142847169210746, -0.479901983375219, 1.0491540468063252]
22:17:10.634566 line 10 number -= 1
Modified var:.. number = 0
22:17:10.634566 line 8 while number:
22:17:10.634566 line 11 return mat
22:17:10.634566 return 11 return mat
Return value:.. [-0.4142847169210746, -0.479901983375219, 1.0491540468063252]

局部變量值、代碼片段、局部變量所在行號、返回結(jié)果等，這些關(guān)鍵信息都輸出了，既方便，又清晰。

內(nèi)置

除了自定義和第三方工具包之外，Python還內(nèi)置了很多不錯的裝飾器，例如@abc.abstractmethod、@asyncio.coroutine、@classmethod等等。

這里著重提一個非常強大的裝飾器，能夠極大的提升Python的運行速度和效率，通過一個裝飾器能夠?qū)ython代碼的執(zhí)行速度提升上萬倍，這個裝飾器就是@functools.lru_cache。

以比較知名的斐波那契數(shù)列的例子來演示一下。

由于它遞歸計算的過程中，還會用到之前計算的結(jié)果，因此會涉及較多的重復計算，下面先看一下正常計算的耗時情況。

import time as tt
?
def fib(n):
  if n <= 1:
    return n
  return fib(n-1) + fib(n-2)
?
t1 = tt.time()
fib(30)
print("Time taken: {}".format(tt.time() - t1))
# 0.2073

n等于30時，耗時0.2073。

加上@functools.lru_cache裝飾器再看一下：

import time as tt
import functools
?
@functools.lru_cache(maxsize=5)
def fib(n):
  if n <= 1:
    return n
  return fib(n-1) + fib(n-2)
?
t1 = tt.time()
fib(30)
print("Time taken: {}".format(tt.time() - t1))
# 1.811981e-05

耗時為1.811981e-05,足足差了4個量級，快了10000+倍！

到此這篇關(guān)于Python裝飾器有哪些絕妙的用法的文章就介紹到這了,更多相關(guān)Python裝飾器內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: