无论何时我们想对一个对象添加额外的功能，都有下面这些不同的可选方法。

如果合理，可以直接将功能添加到对象所属的类(例如，添加一个新的方法)

使用组合

使用继承

与继承相比，通常应该优先选择组合，因为继承使得代码更难复用，继承关系是静态的，并且应用于整个类以及这个类的所有实例。

设计模式为我们提供第四种可选方法，以支持动态地(运行时)扩展一个对象的功能，这种方法就是修饰器。修饰器(Decorator)模式能够以透明的方式(不会影响其他对象)动态地将功能添加到一个对象中。

在许多编程语言中，使用子类(继承)来实现修饰器模式。在Python中，我们可以(并且应该)使用内置的修饰器特性。一个Python修饰器就是对Python语法的一个特定改变，用于扩展一个类、方法或函数的行为，而无需使用继承。从实现的角度来说，Python修饰器是一个可调用对象(函数、方法、类)，接受一个函数对象fin作为输入，并返回另一个函数对象fout。这意味着可以将任何具有这些属性的可调用对象当做一个修饰器。

修饰器模式和Python修饰器之间并不是一对一的等价关系。Python修饰器能做的实际上比修饰器模式多得多，其中之一就是实现修饰器模式。

现实生活的例子

该模式虽名为修饰器，但这并不意味着它应该只用于让产品看起来更漂亮。修饰器模式通常用于扩展一个对象的功能。这类扩展的实际例子有，给枪加一个消音器。

软件的例子

Django框架大量地使用修饰器，其中一个例子是视图修饰器。Django的试图(View)修饰器可用于以下几种用途。

限制某些HTTP请求对视图的访问

控制特定视图上的缓存行为

按单个视图控制压缩

基于特定HTTP请求头控制缓存

Grok框架也使用修饰器来实现不同的目标，比如：

将一个函数注册为事件订阅者

以特定权限保护一个方法

实现适配器模式

应用案例

当用于实现横切关注点(cross-cutting concerns)时，修饰器模式会大显神威。以下是横切关注点的一些例子。

数据校验

事务处理(这里类似数据库事务，要么所有步骤都成功完成，要么事务失败)

缓存

日志

监控

调试

业务规则

压缩

加密

一般来说，应用中有些部件是通用的，可应用于其他部件，这样的部件被看做横切关注点。

使用修饰器模式的另一个常见例子是图形用户界面(Graphical User Interface，GUI)工具集。在一个GUI工具集中，我们希望能够将一些特性，比如边框、阴影、颜色以及滚屏，添加到单个组件/部件。

实现

Python修饰器通用并且非常强大。你可以在Python官网的修饰器代码库页面中找到许多修饰器的实用样例。这里，我们将学习如何实现一个memoization修饰器。所有递归函数都能因memoization而提速，那么来试试常用的斐波那契数列例子。实用递归算法实现菲波那切数列，直截了当，但性能问题较大，即使对于很小的数值也是如此。首先来看看朴素的实现方法(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())

计算8个斐波那契数要花费11秒，实用memoization方法看看能否改善。在下面的代码中，我们使用一个dict来缓存斐波那契数列中已经计算好的数值，同时也修改传给fabonacci()函数的参数，计算第100个菲波那切数，而不是第8个(文件fibonacci.py)。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())

执行基于memoization的代码实现，可以看到性能得到了极大的提升，但代码也没有不使用memoization时那样简洁。如果我们决定扩展代码，加入更多的数学函数，并将其转变为一个模块，那又会是什么样？假设决定加入的下一个函数是nsum(),该函数返回前n个数字的和。注意这个函数已存在于math模块中，名为fsum(),但这不必在意。使用memoization实现nsum()函数的代码如下。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

你有没有注意到其中的问题？多了一个名为known_sum的字典，为nsum提供缓存，并且函数本身也比不适用memoization时更复杂。这个模块逐步变得不必要地复杂。保持递归函数与朴素版本的一样简单，但性能又与使用memoization相近，这可能吗？幸运的是，确实可能，解决方案就是使用修饰器模式。

首先创建一个如下面的例子所示的memoize()函数。这个修饰器接受一个需要使用memoization的函数fn作为输入，使用一个名为known的dict作为缓存。函数functools.wraps()是一个为创建修饰器提供便利的函数；虽不强制，但推荐使用，因为它能保留被修饰函数的文档和签名。这种情况要求参数列表*args，因为被修饰的函数可能有输入参数。如果fibonacci()和nsum()不需要任何参数，那么使用*args确实是多余的，但它们是需要参数n的。import functools def memoize(fn): known=dict() @functools.wraps(fn) def memoizer(*args): if args not in known: known[args]=fn(*args) return known[args] return memoizer

现在，对朴素版本的函数应用memoize()修饰器。这样既能保持代码的可读性又不影响性能。我们通过修饰(或修饰行)来应用一个修饰器。修饰使用@name语法，其中name是指我们想要使用的修饰器的名称。这其实只不过是一个简化修饰器使用的语法糖。下面对我们的递归函数使用memoize()修饰器。@memoize def nsum(n): '''返回前n个数字的和''' assert (n>=0), 'n must be >=0' return 0 if n==0 else n+nsum(n) @memoize def fibonacci(n): '''返回斐波那契数列的第n个数''' assert (n>=0),'n must be >=0' return n if n in (0,1) else fibonacci(n-1)+fibonacci(n-2)

代码的最后一部分展示如何使用被修饰的函数，并测量其性能。measure是一个字典列表，用于避免代码重复。注意__name__和__doc__分别是如何展示正确的函数名称和文档字符串值的。尝试从memoize()中删除@functools.wraps(fn)修饰，看看是否仍旧如此(答案是无法显示函数名称和文档字符串)。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() ))

看看我们数学模块的完整代码(mymath.py)和执行的样例输出。

Q1:多个修饰器时，执行顺序如何？

输出：outer start inner start 10 inner end outer end

Q2:修饰器能否有参数？

Answer：可以有参数，例如这个例子True就返回被修饰的函数f，False返回不修饰的原函数。question02.py