Python 装饰器高级用法实战指南
Python 的 functools.wraps 是编写装饰器的最佳实践，它能保留原函数的元信息（如 __name__、__doc__ 等），这对于调试和文档生成非常重要。
## 二、计时装饰器：性能监控利器在开发过程中，了解函数的执行时间对于性能优化至关重要。我们可以创建一个计时装饰器，自动测量并输出函数的执行耗时：
```python import time from functools import wraps def timer(func): """测量函数执行时间的装饰器""" @wraps(func) def wrapper(*args, **kwargs): start = time.perf_counter() result = func(*args, **kwargs) end = time.perf_counter() elapsed = (end - start) * 1000 # 转换为毫秒 print(f"⏱️ {func.__name__} 执行耗时: {elapsed:.2f}ms") return result return wrapper @timer def calculate_fibonacci(n): """计算斐波那契数列""" if n <= 1: return n return calculate_fibonacci(n-1) + calculate_fibonacci(n-2) ```使用 time.perf_counter() 而非 time.time()，因为它提供更高精度的计时，特别适合测量短时间间隔。计时装饰器可以快速帮助我们识别性能瓶颈，特别适用于算法优化和数据库查询监控。
## 三、重试装饰器：增强健壮性网络请求、数据库操作等不稳定的操作常常因为临时故障而失败。重试装饰器可以自动重试失败的函数调用，提高程序的健壮性：
```python def retry(max_attempts=3, delay=1, exceptions=(Exception,)): """失败时自动重试的装饰器""" def decorator(func): @wraps(func) def wrapper(*args, **kwargs): last_exception = None for attempt in range(max_attempts): try: return func(*args, **kwargs) except exceptions as Exception: last_exception = Exception if attempt < max_attempts - 1: print(f"❌ 尝试 {attempt + 1}/{max_attempts} 失败，{delay}秒后重试...") time.sleep(delay) raise last_exception return wrapper return decorator @retry(max_attempts=3, delay=1) def fetch_data_with_retry(url): """模拟可能失败的数据获取""" import random if random.random() < 0.5: raise ConnectionError("网络连接失败") return {"data": "成功获取数据", "url": url} ```这个重试装饰器支持配置最大尝试次数、重试间隔和需要捕获的异常类型。通过参数化设计，我们可以灵活地根据不同场景调整重试策略。例如，对于数据库连接失败，可以设置较长的延迟时间；对于 API 限流，可以使用指数退避策略。
## 四、缓存装饰器：提升重复计算效率对于计算密集型或 I/O 密集型的函数，如果相同的输入经常重复出现，可以使用缓存装饰器来存储计算结果，避免重复计算：
```python def cache(func): """简单的函数结果缓存""" cache_dict = {} @wraps(func) def wrapper(*args, **kwargs): # 创建缓存键 key = str(args) + str(sorted(kwargs.items())) if key in cache_dict: print(f"📦 从缓存读取: {func.__name__}({args}, {kwargs})") return cache_dict[key] result = func(*args, **kwargs) cache_dict[key] = result return result # 添加清除缓存的方法 wrapper.clear_cache = cache_dict.clear return wrapper @cache def expensive_computation(x, y): """模拟耗时计算""" print(f"💻 执行耗时计算: {x} + {y}") time.sleep(0.1) return x + y ```缓存装饰器通过将函数参数转换为缓存键，来存储和检索计算结果。对于纯函数（相同输入总是产生相同输出），缓存可以显著提升性能。在生产环境中，可以考虑使用 LRU 缓存策略来限制内存使用，或者使用 Redis 等外部存储实现分布式缓存。
## 五、日志装饰器：追踪函数调用在调试和监控生产环境时，记录函数调用和返回值非常重要。日志装饰器可以自动记录函数的输入输出：
```python import logging logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__) def log_calls(level=logging.INFO): """记录函数调用的装饰器""" def decorator(func): @wraps(func) def wrapper(*args, **kwargs): logger.log(level, f"调用 {func.__name__} (args={args}, kwargs={kwargs})") result = func(*args, **kwargs) logger.log(level, f"{func.__name__} 返回: {result}") return result return wrapper return decorator @log_calls(level=logging.DEBUG) def process_item(item_id, status): """处理项目""" return f"已处理项目 {item_id}，状态: {status}" ```日志装饰器支持不同的日志级别，可以根据需要记录详细信息（DEBUG）或仅记录关键操作（INFO、WARNING）。在微服务架构中，结合请求 ID 和链路追踪，日志装饰器可以帮助我们快速定位问题。
## 六、类型验证装饰器：参数校验Python 是动态类型语言，这虽然带来了灵活性，但也可能导致类型错误。类型验证装饰器可以在函数调用前检查参数类型：
```python def validate_types(**type_hints): """验证参数类型的装饰器""" def decorator(func): @wraps(func) def wrapper(*args, **kwargs): # 获取函数签名 import inspect sig = inspect.signature(func) bound_args = sig.bind(*args, **kwargs) bound_args.apply_defaults() # 验证类型 for param_name, expected_type in type_hints.items(): if param_name in bound_args.arguments: value = bound_args.arguments[param_name] if not isinstance(value, expected_type): raise TypeError( f"参数 '{param_name}' 应为 {expected_type.__name__}，" f"但得到 {type(value).__name__}" ) return func(*args, **kwargs) return wrapper return decorator @validate_types(name=str, age=int, active=bool) def register_user(name, age, active): """注册用户""" return {"name": name, "age": age, "active": active} ```类型验证装饰器利用 Python 的 inspect 模块获取函数签名，从而支持关键字参数和默认值。这在处理 API 请求参数时特别有用，可以在数据进入业务逻辑前进行类型检查，避免后续处理中的类型错误。
## 七、装饰器组合应用装饰器的真正威力体现在组合使用上。我们可以将多个装饰器叠加应用到一个函数上：
```python @timer @retry(max_attempts=2) @cache def complex_operation(data): """复杂的业务操作""" # 模拟耗时操作 time.sleep(0.05) return sum(data) ```在这个例子中，complex_operation 函数同时具备计时、重试和缓存功能。装饰器的执行顺序是从下往上，即 cache 先执行，然后 retry，最后 timer。这种组合方式让我们能够以声明式的方式为函数添加多个横切关注点（Cross-Cutting Concerns）。
## 八、最佳实践与注意事项在编写和使用装饰器时，有几个重要的最佳实践需要注意：
1. 始终使用 functools.wraps：这能保留原函数的元信息，包括函数名、文档字符串、参数注解等。这对于调试、文档生成和序列化非常重要。
2. 保持装饰器的幂等性：一个好的装饰器应该可以多次应用而不会产生副作用。例如，重复应用 @timer 不应该导致计时功能重复执行。
3. 考虑装饰器的性能开销：装饰器本身会增加函数调用的开销。对于高频调用的性能敏感函数，需要权衡装饰器带来的功能和性能损失。
4. 正确处理异常：装饰器应该适当地处理或传播异常。重试装饰器捕获特定异常，而日志装饰器则应该记录异常信息。
5. 支持参数化：通过工厂函数创建可配置的装饰器，如 retry(max_attempts=3)，可以提高装饰器的灵活性和复用性。
## 九、总结Python 装饰器是实现横切关注点的优雅方案，它让我们能够将业务逻辑与辅助功能（如计时、重试、缓存、日志、验证）分离。通过本文介绍的高级用法，我们可以编写更加清晰、可维护和健壮的代码。
在实际项目中，装饰器特别适用于 AOP（面向切面编程）场景，如权限检查、事务管理、性能监控等。掌握装饰器的高级用法，将极大提升你的 Python 编程能力和代码质量。
