Python装饰器详解

装饰器（Decorator）是 Python 中一种强大的语法特性，允许在不修改原始代码的情况下动态扩展函数或类的功能。以下是其语法、用法、优缺点及常见使用场景的详细说明：

一、装饰器语法

1. 基本结构

装饰器本质上是一个可调用对象（函数或类），接受一个函数作为输入，返回一个新的函数（或类）。

def decorator(func):def wrapper(*args, **kwargs):# 前置操作（如日志、权限校验）result = func(*args, **kwargs)  # 调用原函数# 后置操作（如数据处理、清理）return resultreturn wrapper@decorator  # 等价于 func = decorator(func)
def func():pass

2. 带参数的装饰器

通过嵌套函数实现装饰器参数传递：

def decorator_with_args(param):def actual_decorator(func):def wrapper(*args, **kwargs):print(f"Decorator param: {param}")return func(*args, **kwargs)return wrapperreturn actual_decorator@decorator_with_args("config")
def func():pass

3. 类装饰器

通过实现 __call__ 方法让类的实例成为装饰器：

class ClassDecorator:def __init__(self, func):self.func = funcdef __call__(self, *args, **kwargs):print("Class decorator")return self.func(*args, **kwargs)@ClassDecorator
def func():pass

4. 多个装饰器叠加

执行顺序：从下往上（靠近函数的装饰器先执行）：

@decorator1
@decorator2
def func():pass
# 等价于 func = decorator1(decorator2(func))

二、优点

• 代码复用性：将通用功能（如日志、权限校验）抽离成装饰器，避免重复代码。
• 非侵入式扩展：遵循开放-封闭原则（对扩展开放，对修改封闭），无需修改原函数代码。
• 简洁性：通过 @ 语法让代码更清晰，逻辑分离更明确。
• 灵活组合：多个装饰器可叠加使用，灵活组合不同功能。

三、缺点

• 调试困难：装饰器可能隐藏原函数的元信息（如 __name__、文档字符串），需用 functools.wraps 修复：

  from functools import wraps
  def decorator(func):@wraps(func)  # 保留原函数元信息def wrapper(*args, **kwargs):return func(*args, **kwargs)return wrapper
  

• 过度嵌套：多层装饰器可能导致代码可读性下降。

• 隐式行为：装饰器的副作用可能导致代码行为难以预测（尤其是第三方装饰器）。

四、常见使用场景

1. 日志记录

import time
from functools import wrapsdef log_time(func):@wraps(func)def wrapper(*args, **kwargs):start = time.time()result = func(*args, **kwargs)end = time.time()print(f"Function {func.__name__} took {end - start:.2f} seconds to run.")return resultreturn wrapper@log_time
def example_function(n):sum = 0for i in range(n):sum += ireturn sumresult = example_function(1000000)
print(f"Result: {result}")

运行结果：

Function example_function took 0.07 seconds to run.
Result: 499999500000

2. 权限校验

from functools import wrapsclass User:def __init__(self, authenticated):self.is_authenticated = authenticateddef login_required(func):@wraps(func)def wrapper(user, *args, **kwargs):if not user.is_authenticated:raise PermissionError("User not logged in")return func(user, *args, **kwargs)return wrapper@login_required
def admin_dashboard(user):return "Welcome to the admin dashboard!"user = User(authenticated=True)
print(admin_dashboard(user))user = User(authenticated=False)
try:print(admin_dashboard(user))
except PermissionError as e:print(e)

运行结果：

Welcome to the admin dashboard!
User not logged in

3. 缓存（Memoization）

from functools import lru_cache@lru_cache(maxsize=128)
def fibonacci(n):if n < 2:return nreturn fibonacci(n-1) + fibonacci(n-2)print(fibonacci(10))

运行结果：

55

4. 路由注册

from flask import Flaskapp = Flask(__name__)@app.route("/")
def home():return "Hello World"@app.route("/about")
def about():return "About Page"if __name__ == "__main__":app.run(debug=True)

运行结果：

* Running on http://127.0.0.1:5000/ (Press CTRL+C to quit)
* Restarting with stat
* Debugger is active!
* Debugger PIN: 123-456-789

访问 http://127.0.0.1:5000/ 将显示 “Hello World”，访问 http://127.0.0.1:5000/about 将显示 “About Page”。

5. 性能监控

from functools import wraps
import time
import tracemallocdef performance_monitor(func):@wraps(func)def wrapper(*args, **kwargs):tracemalloc.start()start_time = time.time()result = func(*args, **kwargs)end_time = time.time()current, peak = tracemalloc.get_traced_memory()tracemalloc.stop()print(f"Function {func.__name__} executed in {end_time - start_time:.2f}s")print(f"Memory usage: Current = {current / 10**6:.2f}MB, Peak = {peak / 10**6:.2f}MB")return resultreturn wrapper@performance_monitor
def memory_intensive_function():data = [i for i in range(1000000)]return len(data)memory_intensive_function()

运行结果：

Function memory_intensive_function executed in 0.07s
Memory usage: Current = 7.63MB, Peak = 7.63MB

五、总结

• 适用场景：需要为多个函数统一添加公共功能的场景（如日志、缓存、校验）。
• 慎用场景：过度使用会导致代码复杂化，尤其是多层装饰器嵌套时。
• 最佳实践：保持装饰器功能单一，使用 functools.wraps 保留元信息，避免深层嵌套。

装饰器是 Python 高阶编程的核心工具之一，合理使用可以显著提升代码质量和可维护性。