一.update_wrapper
该函数用于更新包装函数（wrapper），使它看起来像被包装的原函数一样。
该函数主要用于装饰器函数的定义中，置于包装函数之前。如果没有对包装函数进行更新，那么被装饰后的函数所具有的元信息就会变为包装函数的元信息，而不是原函数的元信息。
WRAPPER_ASSIGNMENTS = ('__module__', '__name__', '__qualname__', '__doc__', '__annotations__')
WRAPPER_UPDATES = ('__dict__',)
update_wrapper(wrapper,
wrapped,
assigned = WRAPPER_ASSIGNMENTS,
updated = WRAPPER_UPDATES):
- wrapper 包装函数，被更新者
- wrapped 被包装函数，数据源
- assigned 包装函数需要替换的属性，替换的内容直接来自于被包装函数
- updated 指定包装函数需要更新的属性，更新的内容需要对照被包装函数进行更新。
该函数自动在wrapper函数添加一个wrapped属性，保留着wrapped函数
import datetime, time, functools
def logger(duration, func=lambda name, duration: print('{} took {}s'.format(name, duration))):
def _logger(fn):
def wrapper(*args,**kwargs):
start = datetime.datetime.now()
ret = fn(*args,**kwargs)
delta = (datetime.datetime.now() - start).total_seconds()
if delta > duration:
func(fn.__name__, duration)
return ret
return functools.update_wrapper(wrapper, fn)
return _logger
@logger(5) # add = logger(5)(add)
def add(x,y):
time.sleep(1)
return x + y
print(add(5, 6), add.__name__, add.__wrapped__, add.__dict__, sep='\n')
二.functools.wraps
def wraps(wrapped,
assigned = WRAPPER_ASSIGNMENTS,
updated = WRAPPER_UPDATES):
return partial(update_wrapper, wrapped=wrapped,
assigned=assigned, updated=updated)
这是一个便捷函数，定义一个wrapper函数时，作为函数装饰器调用update_wrapper()。它等价于partial(update_wrapper, wrapped=wrapped, assigned=assigned, updated=updated),返回一个形参wrapped 有默认值的新的update_warpper 函数
import datetime, time, functools
def logger(duration, func=lambda name, duration: print('{} took {}s'.format(name, duration))):
def _logger(fn):
@functools.wraps(fn)
def wrapper(*args,**kwargs):
start = datetime.datetime.now()
ret = fn(*args,**kwargs)
delta = (datetime.datetime.now() - start).total_seconds()
if delta > duration:
func(fn.__name__, duration)
return ret
return wrapper
return _logger
@logger(5) # add = logger(5)(add)
def add(x,y):
time.sleep(1)
return x + y
print(add(5, 6), add.__name__, add.__wrapped__, add.__dict__, sep='\n')
三.functools.reduce
reduce(function, sequence, initial=None) -> value
- function 这个函数是要有两个参数的
- sequence 序列
- initial 如果初始值没有，拿sequence第一个元素
等价于
def reduce(function, iterable, initializer=None):
it = iter(iterable)
if initializer is None:
value = next(it)
else:
value = initializer
for element in it:
value = function(value, element)
return value
具体应用如下：
from functools import reduce
def add(x,y):
return x + y
reduce(add,range(5))
四.functools.partial 偏函数
functools.partial(func, *args, **keywords) -> newfunc
把函数部分的参数固定下来，相当于为部分的参数添加了一个固定的默认值，形成一个新的函数并且返回，是对原函数的封装
partial 函数本质
def partial(func, *args, **keywords):
def newfunc(*fargs, **fkeywords): # 包装函数
newkeywords = keywords.copy() newkeywords.update(fkeywords)
return func(*(args + fargs), **newkeywords)
newfunc.func = func # 保留原函数
newfunc.args = args # 保留原函数的位置参数
newfunc.keywords = keywords # 保留原函数的关键字参数参数
return newfunc
五.functools.lru_cache
functools.lru_cache(maxsize=128, typed=False)
- Least-recently-used 装饰器。
- 如果maxsize 设置为None，则金庸LRU功能，并且缓存可以无限制增长，当maxsize是2的幂的时候，LRU功能执行最好
- 如果typed为True，则不同类型的函数参数将单独缓存，例如，f(3)和f(3.0)将被视为具有同结果的不同调用
- 使用前提
1.同样的函数参数一定得到同样的结果
2.函数执行时间很长，且要多次执行 - 本质是函数调用的参数 ->返回值
- 缺点
- 不支持缓存过期，key无法过期，失效
- 不支持清除操作
- 不支持分布式，是一个单机的缓存
- 使用场景，单机上需要空间换时间的地方，可以用缓存来将计算变成快速的查询
装饰器用一个有记忆的调用包装一个函数，它可以保存最近maxsize次调用。当使用同样的参数定期调用费时或I/O绑定的函数时，它可以节省时间。
因为使用字典缓存结果，所以函数的位置和关键字必须是可以哈希的。
为了帮助测量缓存的有效性并且调整maxsize 参数，可以使用cache_info() 返回一个命名元组，包含hits，misses，maxsize和currsize。在多线程环境中，hits和misses是近似值。
装饰器还提供了cache_clean() 用于清除缓存。
