Декораторы Python  —  это эффективные инструменты, помогающие создавать чистый, многократно используемый и легко сопровождаемый код.

Рассмотрим 12 полезных декораторов с детальным описанием, демонстрацией кода и тестированием некоторых практических примеров.

Если вы являетесь разработчиком Python, эта статья расширит ваш инструментарий полезными сценариями, которые помогут повысить производительность и избежать дублирования кода.


1. @logger (для начала работы)

Если вы только знакомитесь с декораторами, можете считать их функциями, которые принимают другие функции в качестве входных данных и расширяют их функциональность без изменения основного назначения.

Начнем с простого декоратора, который расширяет функцию, регистрируя время начала и окончания ее выполнения.

Результат работы декорируемой функции будет выглядеть следующим образом:

some_function(args)

# ----- some_function: начало -----
# some_function выполняется
# ----- some_function: окончание -----

Чтобы написать этот декоратор, нужно сначала подобрать ему подходящее имя. Назовем его logger.

logger  —  это функция, которая принимает другую функцию в качестве входной и возвращает ее в качестве выходной. Выходная функция обычно является расширенной версией входной. В нашем случае нужно, чтобы выходная функция окружала вызов входной функции утверждениями start и end.

Поскольку нам неизвестно, какие аргументы использует входная функция, можем передать их из функции-обертки с помощью выражений *args и **kwargs. Эти выражения позволяют передавать произвольное количество позиционных и ключевых аргументов.

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 можно применить logger к some_function или любой другой функции.

decorated_function = logger(some_function)

Python предоставляет более “питонический” синтаксис для этого: он предлагает перед определением функции указывать символ @, после которого идет имя декоратора:

@logger
def some_function(text):
print(text)

some_function("first test")
# ----- some_function: начало -----
# первый тест
# ----- some_function: окончание -----

some_function("second test")
# ----- some_function: начало -----
# второй тест
# ----- some_function: окончание -----

2. @wraps

Этот декоратор обновляет функцию-обертку, чтобы она выглядела как оригинальная функция и наследовала ее имя и свойства.

Для понимания того, что делает и зачем используется @wraps, возьмем предыдущий декоратор и применим его к простой функции, которая складывает два числа.

Этот декоратор еще не использует @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 декорированной функции add_two_numbers, вызвав атрибуты __name__ и __doc__, получим странные (и все же ожидаемые) результаты:

add_two_numbers.__name__
'wrapper'

add_two_numbers.__doc__
'wrapper documentation'

Мы получаем имя обертки и документацию.

Это нежелательный результат. Нам необходимо сохранить имя исходной функции и документацию. Вот тут-то и пригодится @wraps.

Нужно лишь декорировать функцию-обертку.

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 имя и документацию, увидим метаданные исходной функции:

add_two_numbers.__name__
# 'add_two_numbers'

add_two_numbers.__doc__
# 'this function adds two numbers'

3. @lru_cache

Это встроенный декоратор, который можно импортировать из functools.

Он кэширует возвращаемые значения функции, используя при заполнении кэша алгоритм LRU  —  алгоритм замещения наименее часто используемых значений.

Обычно я применяю этот декоратор для длительно выполняющихся задач, которые не меняют результат при одинаковых входных данных, например для запроса к базе данных, запроса статической удаленной веб-страницы и выполнения сложной обработки.

В следующем примере @lru_cache используется для декорирования функции, которая имитирует некую обработку. Эта функция применяется на одном и том же входе 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)

# первый раз
%%time
heavy_processing(0)
# Процессорное время: user 363 µs, sys: 727 µs, всего: 1.09 мс
# Время по часам: 694 мс

# второй раз
%%time
heavy_processing(0)
# Процессорное время: user 4 µs, sys: 0 ns, всего: 4 µs
# Время по часам: 8.11 µs

# третий раз
%%time
heavy_processing(0)
# Процессорное время: user 5 µs, sys: 1 µs, всего: 6 µs
# Время по часам: 7.15 µs

Чтобы реализовать декоратор кэша самостоятельно с нуля, выполните следующее:

  • Добавьте пустой словарь в качестве атрибута к функции-обертке для хранения значений, ранее вычисленных входной функцией.
  • При вызове входной функции сначала проверьте, присутствуют ли ее аргументы в кэше. Если да  —  результат возвращается. 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)
# Процессорное время: user 446 µs, sys: 864 µs, всего: 1.31 ms
# Время по часам: 1.06 с

%%time
heavy_processing(1)
# Процессорное время: user 11 µs, sys: 0 ns, всего: 11 µs
# Время по часам: 13.1 µs

4. @repeat

Этот декоратор заставляет функцию вызываться несколько раз подряд. Он может быть полезен для отладки, стресс-тестов и автоповтора нескольких задач.

В отличие от предыдущих декораторов этот предполагает входной параметр.

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

В следующем примере определяется декоратор @repeat, который принимает в качестве аргумента количество вызовов. Затем декоратор определяет функцию wrapper, которая оборачивает декорируемую функцию. Функция wrapper вызывает декорируемую функцию столько раз, сколько указано в аргументе.

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

dummy()
# hello
# hello
# hello
# hello
# hello

5. @timeit 

Этот декоратор измеряет время выполнения функции и выводит результат, что необходимо для отладки и мониторинга.

В следующем фрагменте декоратор @timeit измеряет время выполнения функции process_data, выводя истекший временной период 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()
# функция process_data заняла 1,000012 с

6. @retry

Этот декоратор заставляет функцию, которая сталкивается с исключением, совершить несколько повторных попыток.

Он принимает три аргумента:

  • количество повторных попыток;
  • исключение, которое нужно поймать и повторно выполнить;
  • время сна (sleep time) между повторными попытками.

Это работает следующим образом.

  • Функция-обертка запускает цикл for с количеством итераций num_retries.
  • На каждой итерации она вызывает входную функцию в блоке try/except. При успешном вызове она прерывает цикл и возвращает результат. В противном случае она ожидает в течение sleep_time секунд и переходит к следующей итерации.
  • Если после завершения цикла for вызов функции не удается, функция-обертка инициирует 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)
# Инициирование исключения, если функция оказалсь неуспешной после указанного количества повторных попыток
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 вызвало ValueError. Повторная попытка...
# 1

random_value()
# 5

7. @countcall 

Декоратор @countcall подсчитывает, сколько раз была вызвана функция.

Это число хранится в атрибуте обертки 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

8. @rate_limited 

Это декоратор, который ограничивает частоту вызова функции. Если функция вызывается слишком часто, он заставляет ее заснуть на некоторое время.

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 при необходимости заставляет ее ожидать соответствующее количество времени, чтобы не превысить лимит частоты. Время ожидания рассчитывается как min_interval - elapsed, где:

  • min_interval  —  минимальный интервал времени (в секундах) между двумя вызовами функции;
  • elapsed  —  время, прошедшее с момента последнего вызова.

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

Таким образом, эта функция связана с небольшими временными издержками между вызовами, но гарантирует, что лимит частоты не будет превышен.

Есть также сторонний пакет, реализующий ограничение частоты API. Он называется ratelimit.

pip install ratelimit

Чтобы использовать этот пакет, надо просто декорировать любую функцию, которая делает 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 декорированная функция вызывается большее количество раз, чем разрешено, то инициируется исключение ratelimit.RateLimitException.

Для обработки этого исключения можно использовать декоратор @sleep_and_retry в сочетании с декоратором @ratelimit.

@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 заставит функцию спать оставшееся время перед повторным выполнением.

9. @dataclass

Декоратор @dataclass в Python используется для декорирования классов.

Он автоматически генерирует специальные методы, такие как __init__, __repr__, __eq__, __lt__ и __str__ для классов, которые в основном хранят данные. Это позволяет сократить объем кода и сделать классы более читаемыми и удобными для сопровождения.

Он также предоставляет готовые методы для элегантного представления объектов, преобразования их в формат JSON, обеспечения их 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'}

10. @register 

Когда Python-скрипт случайно завершается, а вы не успели выполнить какие-то задачи по сохранению работы, очистке или выводу сообщения, декоратор @register будет весьма полезен.

from atexit import register

@register
def terminate():
perform_some_cleanup()
print("Goodbye!")

while True:
print("Hello")

При запуске этого скрипта и нажатии CTRL+C,

Скриншот автора

Происходит вывод функции terminate.

11. @property 

Этот декоратор используется для определения свойств класса, которые по сути являются методами getter, setter и deleter для атрибута экземпляра класса.

Используя декоратор @property, можно определить метод как свойство класса и получить к нему доступ, как к атрибуту класса, без явного вызова метода.

Это полезно, если нужно добавить некоторые ограничения и логику проверки в отношении получения и установки значения.

В следующем примере определяется метод setter для свойства rating, чтобы наложить ограничение на вводимое значение (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)
# Ввод In [16], в <cell line: 1>()
# ----> 1 batman.rating = 10
# Ввод In [11], в Movie.rating(self, r)
# 12 self._rating = r
# 13 else:
# ---> 14 raise ValueError("Оценка фильма должна быть от 0 до 5!")
#
# ValueError: Оценка фильма должна быть от 0 до 5!!

12. @singledispatch

Этот декоратор позволяет функции иметь различные 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) # Выводит "Called with an integer"
fun([1, 2, 3]) # Выводит "Called with a list"

Заключение

Декораторы  —  полезные абстракции для расширения кода дополнительными функциями, такими как кэширование, автоповтор, ограничение частоты, регистрация и превращение классов в суперконтейнеры данных.

Но на этом тема декораторов не исчерпывается. Вы можете реализовать собственные декораторы для решения специфических проблем.

Читайте также:

Читайте нас в TelegramVK и Дзен


Перевод статьи Ahmed Besbes: 10 Python Decorators To Take Your Code To The Next Level

Предыдущая статьяИз финансов в разработку: как стать инженером-программистом
Следующая статья4 пользовательских хука React, которые должен знать каждый разработчик