Python 中@lazyprop 装饰器的用法(装饰逻辑)

安装

pip install lazyprop

例子1

from lazyprop import lazyprop
class Foo(object):
 def __init__(self):
  self.load_count = 0
 @lazyprop
 def lazy(self):
  self.load_count += 1
f = Foo()
f.lazy
f.lazy
f.lazy
print(f.load_count)

输出：

1

例子2

from lazyprop import lazyprop
class Foo(object):
 def __init__(self):
  self.load_count = 0
 # @lazyprop
 def lazy(self):
  self.load_count += 1
f = Foo()
f.lazy
f.lazy
f.lazy
print(f.load_count)

输出：

0

补充：python语言中的AOP利器：装饰器

一、

面向切面编程（AOP）是一种编程思想，与OOP并不矛盾，只是它们的关注点相同。面向对象的目的在于抽象和管理，而面向切面的目的在于解耦和复用。

举两个大家都接触过的AOP的例子：

1）java中mybatis的@Transactional注解，大家知道被这个注解注释的函数立即就能获得DB的事务能力。

2）python中的with threading.Lock()，大家知道，被这个with代码块包裹的部分立即获得同步的锁机制。

这样我们把事务和加锁这两种与业务无关的逻辑抽象出来，在逻辑上解耦，并且可以轻松的做到代码复用。

二、上下文管理器contextlib

当然你可以使用with上下文管理器实现一些AOP的思想，这里有个模块叫contextlib可以帮助你简易的实现上下文管理器。

上下文管理最常见的例子是with open('file') as fh，回收打开句柄的例子。

这种方式还是比较麻烦的，下面我们看一下python中的装饰器怎么样实现AOP编程。

三、装饰器：AOP的语法糖

python中的装饰器就是设计来实现切面注入功能的。下面给出几个例子，这几个例子都是在生产环境验证过的。

其中的任务管理机是伪代码，需要自己实现写数据库的逻辑。

1、重试逻辑

只要do函数被@retry_exp装饰，便可以获得指数退避的重试能力。

@retry_exp(max_retries=10)
def do():
 # do whatever
 pass

那retry_exp是如何实现的呢？

def retry_exp(max_retries=3, max_wait_interval=10, period=1, rand=False):
 def _retry(func):
  def __retry(*args, **kwargs):
MAX_RETRIES = max_retries
MAX_WAIT_INTERVAL = max_wait_interval
PERIOD = period
RAND = rand
retries = 0
error = None
ok = False
while retries < MAX_RETRIES:
 try:
  ret = func(*args, **kwargs)
  ok = True
  return ret
 except Exception, ex:
  error = ex
 finally:
  if not ok:sleep_time = min(2 ** retries * PERIOD if not RAND else randint(0, 2 ** retries) * PERIOD, MAX_WAIT_INTERVAL)time.sleep(sleep_time)retries += 1
if retries == MAX_RETRIES:
 if error:
  raise error
 else:
  raise Exception("unknown")
  return __retry
 return _retry

2、降级开关

只要do函数被@degrade装饰，就会安装app名称校验redis里的开关，一旦发现开关关闭，则do函数不被执行，也就是降级。

@degrade
def do(app):
 # do whatever
 pass

那么degrade是怎样实现的呢？

def degrade(app):
 def _wrapper(function):
  def __wrapper(*args, **kwargs):
value = None
try:
 redis = codis_pool.get_connection()
 value = redis.get("dmonitor:degrade:%s" % app)
except Exception, _:
 logger.info(traceback.format_exc())
if not value or int(value) != 1:
 function()
 logger.info("[degrade] is_on: %s" % app)
else:
 logger.info("[degrade] is_off: %s" % app)
  return __wrapper
 return _wrapper

3、任务状态机

这个是最常用的，我们需要跟踪落盘DB一个任务的执行状态(等待调度，执行中，执行成功，执行失败)

一旦do方法被@tasks_decorator装饰，就获得了这样的能力。对item_param(是个json)中task_id指明的任务进行状态管理。

@tasks_decorator
def do(item_param):
 # do whatever
 pass

tasks_decorator是怎样实现的呢？

def tasks_decorator(function):
 def _wrap(*args, **kwargs):
  param_dict = kwargs.get('item_param')
  task_id = param_dict.get('task_id')
  try:
param_dict.update({'status': TaskStatus.Waiting, 'start_time': datetime.now().strftime('%Y-%m-%d %H:%M:%S')})
try:
 manager_dao.save_task(param_dict)
except Exception, ex:
 pass
_update_task_status(task_id, TaskStatus.Doing)
function(*args, **kwargs)
_update_task_status(task_id, TaskStatus.Done)
  except Exception as e:
time.sleep(0.5)
_update_task_status(task_id, TaskStatus.Fail, unicode(e.message))
raise
 return _wrap

4、全局唯一性

在分布式+异步环境中，如果想保证exactly once是需要额外的逻辑的，其实主要是实现唯一键，一旦唯一键实现了，就可以使用公共缓存redis进行唯一键判定了。

do函数被unique装饰，那么对于task_id对应的任务，全局只会执行一次。

@unique
def do(task_id):
 # do whatever
 pass

unique是怎样实现的呢？

def unique(function):
 def _wrap(*args, **kwargs):
  task_id = kwargs.get('task_id')
  try:
redis = codis_pool.get_connection()
key = "unique:%s" % task_id
if not redis.setnx(key):
 redis.expire(key, 24*60*60)
 function(*args, **kwargs)
  except Exception as e:
logger.error(traceback.format_exc())
raise
 return _wrap