12 декораторов Python, которые выведут ваш код на новый уровень

Декораторы Python - это мощные инструменты, которые помогают вам создавать чистый, многоразовый и поддерживаемый код.

You will be muted until you read the rules. Read them! @PythonRules A group about the Python programming language. Offtopic things go here: @pythonofftopic Resources to learn python: @pythonres Group for Hy: @hylang Selenium: @SeleniumPython

Я долго ждал возможности узнать об этих инструментах, и теперь, когда я приобрел твёрдое представление, я пишу эту статью как практическое руководство, чтобы помочь вам понять концепции, лежащие в основе этих объектов.

Эта статья представляет собой документированный список из 12 полезных декораторов, которые я регулярно использую в своих проектах, чтобы расширить свой код дополнительными функциональными возможностями.Мы углубимся в каждый декоратор, посмотрим на код и поэкспериментируем с некоторыми практическими примерами.

Если вы разработчик на Python, этот пост расширит ваш инструментарий полезными скриптами, чтобы повысить производительность и избежать дублирования кода.

Если вы новичок в декораторах, вы можете думать о них как о функциях, которые принимают другие функции в качестве входных данных и расширяют их возможности без изменения их основного назначения.

Давайте начнём с простого декоратора, который расширяет функцию, регистрируя время её запуска и окончания выполнения.

Результат оформления функции будет выглядеть следующим образом:

some_function(args) # ----- some_function: start ----- # some_function executing # ----- some_function: end -----

Чтобы написать этот декоратор, вам сначала нужно выбрать подходящее имя: давайте назовём его logger.

Logger- это функция, которая принимает другую функцию в качестве входных данных и возвращает функцию в качестве выходных данных. Функция вывода обычно представляет собой расширенную версию функции ввода. В нашем случае мы хотим, чтобы функция вывода поддерживала вызов функции ввода операторами start и end.

Поскольку мы не знаем, какие аргументы использует функция ввода, мы можем передать их из функции-оболочки, используя *args и **kwargs. Эти выражения позволяют передавать произвольное количество позиционных аргументов и аргументов ключевого слова.

Вот простая реализация декоратора logger:

def logger(function): def wrapper(*args, **kwargs): print(f"----- {function.__name__}: start -----") output = function(*args, **kwargs) print(f"----- {function.__name__}: end -----") return output return wrapper

Теперь вы можете применить logger к some_function или любой другой функции, если уж на то пошло.

decorated_function = logger(some_function)

Python предоставляет для этого уникальный синтаксис, используя символ @.

@logger def some_function(text): print(text) some_function("first test") # ----- some_function: start ----- # first test # ----- some_function: end ----- some_function("second test") # ----- some_function: start ----- # second test # ----- some_function: end -----

Этот декоратор обновляет функцию wrapper, чтобы она выглядела как исходная функция и наследовала её имя и свойства.

Чтобы понять, что делает @wraps и почему вы должны его использовать, давайте возьмём предыдущий декоратор и применим его к простой функции, которая добавляет два числа.

(Здесь ещё не используется @wraps)

def logger(function): def wrapper(*args, **kwargs): """wrapper documentation""" print(f"----- {function.__name__}: start -----") output = function(*args, **kwargs) print(f"----- {function.__name__}: end -----") return output return wrapper @logger def add_two_numbers(a, b): """this function adds two numbers""" return a + b

Если мы проверим имя и документацию оформленной функции add_two_numbers, вызвав атрибуты __name__ и __doc__, мы получим неестественные (и всё же ожидаемые) результаты:

add_two_numbers.__name__ 'wrapper' add_two_numbers.__doc__ 'wrapper documentation'

Это нежелательный результат. Мы хотим сохранить оригинальное название функции и документацию. Вот когда пригодится декоратор @wraps.

Всё, что вам нужно сделать - это использовать декоратор с функцией wrapper:

from functools import wraps def logger(function): @wraps(function) def wrapper(*args, **kwargs): """wrapper documentation""" print(f"----- {function.__name__}: start -----") output = function(*args, **kwargs) print(f"----- {function.__name__}: end -----") return output return wrapper @logger def add_two_numbers(a, b): """this function adds two numbers""" return a + b

Перепроверив название и документацию, мы видим метаданные исходной функции (такой результат нам и требовался):

add_two_numbers.__name__ # 'add_two_numbers' add_two_numbers.__doc__ # 'this function adds two numbers'

Это встроенный декоратор, который вы можете импортировать из functools .

Он кэширует возвращаемые значения функции, используя алгоритмы кэширования (LRU) для удаления наименее используемых значений, когда кэш заполнен.

Обычно я использую этот декоратор для длительных задач, которые не изменяют выходные данные при одних и тех же входных данных, таких как запрос к базе данных, запрос статической удалённой веб-страницы или выполнение какой-либо интенсивной обработки.

В следующем примере я использую lru_cache для оформления функции, которая имитирует некоторую обработку. Затем я применяю функцию к одному и тому же входному сигналу несколько раз подряд:

import random import time from functools import lru_cache @lru_cache(maxsize=None) def heavy_processing(n): sleep_time = n + random.random() time.sleep(sleep_time) # first time %%time heavy_processing(0) # CPU times: user 363 µs, sys: 727 µs, total: 1.09 ms # Wall time: 694 ms # second time %%time heavy_processing(0) # CPU times: user 4 µs, sys: 0 ns, total: 4 µs # Wall time: 8.11 µs # third time %%time heavy_processing(0) # CPU times: user 5 µs, sys: 1 µs, total: 6 µs # Wall time: 7.15 µs

Если вы хотите самостоятельно реализовать декоратор кэша с нуля, вот как это можно сделать:

Вы добавляете пустой словарь в качестве атрибута к функции wrapper для хранения ранее вычисленных функцией ввода значений
При вызове функции ввода вы сначала проверяете, присутствуют ли её аргументы в кэше. Если это так, возвращайте результат. В противном случае вычислите его и поместите в кэш.

from functools import wraps def cache(function): @wraps(function) def wrapper(*args, **kwargs): cache_key = args + tuple(kwargs.items()) if cache_key in wrapper.cache: output = wrapper.cache[cache_key] else: output = function(*args) wrapper.cache[cache_key] = output return output wrapper.cache = dict() return wrapper @cache def heavy_processing(n): sleep_time = n + random.random() time.sleep(sleep_time) %%time heavy_processing(1) # CPU times: user 446 µs, sys: 864 µs, total: 1.31 ms # Wall time: 1.06 s %%time heavy_processing(1) # CPU times: user 11 µs, sys: 0 ns, total: 11 µs # Wall time: 13.1 µs

Этот декоратор запускает вызов функции несколько раз подряд.

Это может быть полезно для целей отладки, стресс-тестирования или автоматизации повторения нескольких задач.

В отличие от предыдущих декораторов, этот ожидает ввода параметра.

def repeat(number_of_times): def decorate(func): @wraps(func) def wrapper(*args, **kwargs): for _ in range(number_of_times): func(*args, **kwargs) return wrapper return decorate

Следующий пример определяет декоратор с именем repeat, который принимает некоторое количество повторений в качестве аргумента. Затем декоратор определяет функцию, называемую wrapper, которая оборачивается вокруг оформляемой функции. Функция wrapper вызывает оформленную функцию количество раз, равное указанному в аргументе числу:

@repeat(5) def dummy(): print("hello") dummy() # hello # hello # hello # hello # hello

Этот декоратор измеряет время выполнения функции и выводит результат: он служит для отладки или мониторинга.

В следующем фрагменте декоратор timeit измеряет время, необходимое для выполнения функции process_data, и выводит его в секундах:

import time from functools import wraps def timeit(func): @wraps(func) def wrapper(*args, **kwargs): start = time.perf_counter() result = func(*args, **kwargs) end = time.perf_counter() print(f'{func.__name__} took {end - start:.6f} seconds to complete') return result return wrapper @timeit def process_data(): time.sleep(1) process_data() # process_data took 1.000012 seconds to complete

Этот декоратор заставляет функцию повторять попытку несколько раз, когда она сталкивается с исключением.

Он принимает три аргумента: количество повторных попыток, исключение для перехвата и время ожидания между повторными попытками.

Это работает следующим образом:

Функция wrapper запускает цикл for итераций num_retries.
На каждой итерации он вызывает функцию ввода в блоке try/except. Когда вызов выполняется успешно, он прерывает цикл и возвращает результат. В противном случае он переходит в спящий режим на секунды sleep_time и переходит к следующей итерации.
Когда вызов функции не выполняется успешно после завершения цикла for, функция wrapper вызывает исключение.

import random import time from functools import wraps def retry(num_retries, exception_to_check, sleep_time=0): """ Decorator that retries the execution of a function if it raises a specific exception. """ def decorate(func): @wraps(func) def wrapper(*args, **kwargs): for i in range(1, num_retries+1): try: return func(*args, **kwargs) except exception_to_check as e: print(f"{func.__name__} raised {e.__class__.__name__}. Retrying...") if i < num_retries: time.sleep(sleep_time) # Raise the exception if the function was not successful after the specified number of retries raise e return wrapper return decorate @retry(num_retries=3, exception_to_check=ValueError, sleep_time=1) def random_value(): value = random.randint(1, 5) if value == 3: raise ValueError("Value cannot be 3") return value random_value() # random_value raised ValueError. Retrying... # 1 random_value() # 5

Этот декоратор подсчитывает, сколько раз была вызвана функция.

Число, являющееся результатом, сохраняется в атрибуте count .

from functools import wraps def countcall(func): @wraps(func) def wrapper(*args, **kwargs): wrapper.count += 1 result = func(*args, **kwargs) print(f'{func.__name__} has been called {wrapper.count} times') return result wrapper.count = 0 return wrapper @countcall def process_data(): pass process_data() process_data has been called 1 times process_data() process_data has been called 2 times process_data() process_data has been called 3 times

Это декоратор, который ограничивает скорость, с которой функция может быть вызвана, путём перехода в режим ожидания, если функция вызывается слишком часто.

import time from functools import wraps def rate_limited(max_per_second): min_interval = 1.0 / float(max_per_second) def decorate(func): last_time_called = [0.0] @wraps(func) def rate_limited_function(*args, **kargs): elapsed = time.perf_counter() - last_time_called[0] left_to_wait = min_interval - elapsed if left_to_wait > 0: time.sleep(left_to_wait) ret = func(*args, **kargs) last_time_called[0] = time.perf_counter() return ret return rate_limited_function return decorate

Декоратор работает, измеряя время, прошедшее с момента последнего вызова функции, и ожидая соответствующего промежутка времени, если это необходимо, чтобы убедиться, что ограничение скорости не превышено. Время ожидания вычисляется как min_interval - elapsed, где min_interval - минимальный интервал времени (в секундах) между двумя вызовами функции, а elapsed - время, прошедшее с момента последнего вызова.

Если прошедшее время меньше минимального интервала, функция ожидает left_to_wait секунд перед повторным выполнением.

Следовательно, эта функция приводит к небольшим временным затратам между вызовами, но гарантирует, что ограничение скорости не будет превышено.

pip install ratelimit

Чтобы использовать этот пакет, просто оформите какую-либо функцию, которая выполняет вызов API:

from ratelimit import limits import requests FIFTEEN_MINUTES = 900 @limits(calls=15, period=FIFTEEN_MINUTES) def call_api(url): response = requests.get(url) if response.status_code != 200: raise Exception('API response: {}'.format(response.status_code)) return response

Если оформленная функция вызывается больше раз, чем разрешено, возникает исключение ratelimit.RateLimitException.

Чтобы иметь возможность обрабатывать это исключение, вы можете использовать декоратор sleep_and_retry в сочетании с декоратором theratelimit.

@sleep_and_retry @limits(calls=15, period=FIFTEEN_MINUTES) def call_api(url): response = requests.get(url) if response.status_code != 200: raise Exception('API response: {}'.format(response.status_code)) return response

Это приводит к тому, что функция переходит в спящий режим оставшееся количество времени, прежде чем будет выполнена снова.

Декоратор @dataclass в Python используется для оформления классов.

Он автоматически генерирует специальные методы, такие как __init__, __repr__, __eq__, __lt__ и __str__ для классов, которые хранят данные. Это может сократить объём шаблонного кода и сделать классы более удобочитаемыми и ремонтопригодными.

Он также предоставляет готовые методы для красивого представления объектов, преобразования их в формат JSON, придания им неизменяемости и т.д.

Декоратор @dataclass был представлен в Python 3.7 и доступен в стандартной библиотеке.

from dataclasses import dataclass, @dataclass class Person: first_name: str last_name: str age: int job: str def __eq__(self, other): if isinstance(other, Person): return self.age == other.age return NotImplemented def __lt__(self, other): if isinstance(other, Person): return self.age < other.age return NotImplemented john = Person(first_name="John", last_name="Doe", age=30, job="doctor",) anne = Person(first_name="Anne", last_name="Smith", age=40, job="software engineer",) print(john == anne) # False print(anne > john) # True asdict(anne) #{'first_name': 'Anne', # 'last_name': 'Smith', # 'age': 40, # 'job': 'software engineer'}

Если ваш скрипт на Python случайно завершается, а вы всё ещё хотите выполнить некоторые задачи, чтобы сохранить свою работу, выполнить очистку или вывести сообщение, я нахожу, что декоратор @register будет довольно удобен в использовании.

from atexit import register @register def terminate(): perform_some_cleanup() print("Goodbye!") while True: print("Hello")

При запуске этого скрипта и нажатии CTRL+C, мы видим вывод функцию terminate.

Декоратор property используется для определения свойств класса, которые являются методами getter, setter и deleter атрибута экземпляра класса.

Используя этот декоратор, вы можете определить метод как класс property и получить к нему доступ, как если бы это был атрибут класса, без явного вызова метода.

Это полезно, если вы хотите добавить некоторые ограничения и логику проверки вокруг получения и установки значения.

В следующем примере мы определяем параметр для свойства rating, чтобы применить ограничение к входным данным (от 0 до 5):

class Movie: def __init__(self, r): self._rating = r @property def rating(self): return self._rating @rating.setter def rating(self, r): if 0 <= r <= 5: self._rating = r else: raise ValueError("The movie rating must be between 0 and 5!") batman = Movie(2.5) batman.rating # 2.5 batman.rating = 4 batman.rating # 4 batman.rating = 10 # --------------------------------------------------------------------------- # ValueError Traceback (most recent call last) # Input In [16], in <cell line: 1>() # ----> 1 batman.rating = 10 # Input In [11], in Movie.rating(self, r) # 12 self._rating = r # 13 else: # ---> 14 raise ValueError("The movie rating must be between 0 and 5!") # # ValueError: The movie rating must be between 0 and 5!

Этот декоратор позволяет функции иметь разные реализации для разных типов аргументов.

from functools import singledispatch @singledispatch def fun(arg): print("Called with a single argument") @fun.register(int) def _(arg): print("Called with an integer") @fun.register(list) def _(arg): print("Called with a list") fun(1) # Prints "Called with an integer" fun([1, 2, 3]) # Prints "Called with a list"

Декораторы - это полезные абстракции для расширения вашего кода дополнительными функциями, такими как кэширование, автоматическое повторение попыток, ограничение скорости, логирование или превращение ваших классов в контейнеры данных.

Однако на этом дело не заканчивается, поскольку вы можете проявить больше креативности и внедрить свои собственные декораторы для решения очень специфических задач.

Спасибо за чтение!

Статья была взята из этого источника: