小編寫這篇文章的主要目的，就是給大家介紹關于python裝飾器的用途方面的知識，這樣對我們以后的工作也是有一定的幫助，具體用途是什么呢？下面就給各位讀者詳細的解答下。

　　裝飾器自身的價值顯而易見，可以加強函數值基本功能、簡單化編碼、降低代碼冗余。

　　它的使用場景同樣很多，比較簡單的場景包含打印日志、統計運行時間，這類例子和用法網上已經很多了：

　　def time_dec(func):
　　def wrapper(*arg):
　　t=time.clock()
　　res=func(*arg)
　　print func.func_name,time.clock()-t
　　return res
　　return wrapper
　　time_dec
　　def myFunction(n):
　　...

　　再進階一些的，可以用來校驗函數傳入參數類型、線程同步、單元測試等：

　　parameters(
　　(2,4,6),
　　(5,6,11),
　　)
　　def test_add(a,b,expected):
　　assert a+b==expected

　　目前可以用的裝飾器可以分為如下幾類：

　　自定義

　　第三方工具包

　　內置

　　下面就分別來介紹一下。

　　自定義

　　關于自定義的裝飾器在前面已經提到了，我在開發過程中經常用到的就是日志打印、計時、數據校驗等場景，通過裝飾器可以提高代碼的簡潔性，避免重復造輪子。

　　除了這些基本的，也有一些比較實用的地方。

　　作為開發同學，肯定會遇到不同的運行環境：

　　開發環境

　　測試環境

　　生產環境

　　有時候，我們期望一個函數在不同環境下執行不同的過程，產出不同的結果，做一些環境的隔離和差異化處理。

　　通過裝飾器就可以很好的解決：

　　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()

　　簡單介紹一下一下子這一段源代碼。

　　在這兒，一開始列舉了環境個性化服務榜單，隨后各自界定了制造、研發、測試流程的裝飾器，并給同名的的變量就能夠加上對應裝飾器。

　　在執行代碼的過程中，這一段源代碼會首先獲取hostname，自動判斷所在環境，隨后執行對應變量。

　　第三方工具包

　　上面是根據我們在開發過程中遇到的個性化場景進行來自界定一個裝飾器。

　　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。

　　調試程序對于大多數開發者來說是一項必不可少的工作，當我們想要知道源代碼是否按照預期的效果在執行時，我們會想到去輸出一下子局部變量與預期的進行比對。目前大多數采用的方法主要有以下幾種：

　　Print函數

　　Log日志

　　IDE調試器

　　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來實現一些目的，具體如下：

　　參數描述：

　　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顯示函數調用的函數的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、返回結果等，這些關鍵信息都輸出了，既方便，又清晰。

　　內置

　　除了自定義和第三方工具包之外，Python還內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將Python代碼的執行速度提升上萬倍，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！

　　到此為止，關于Python裝飾器作用相關知識就為大家介紹到這里了，希望可以為各位讀者帶來幫助