Python装饰器如何处理带参数函数?
Python装饰器处理带参数函数的核心在于灵活传递参数、支持装饰器自身配置、保留原函数元信息及严谨继承类型提示:通过*args和**kwargs实现通用参数转发;采用三层嵌套结构应对装饰器参数;借助@functools.wraps确保__name__、__doc__等属性不丢失;结合ParamSpec与TypeVar在Python 3.10+中精准保留函数签名,让装饰器既强大又健壮,成为编写可维护、可调试、类型安全的高阶函数的关键利器。

装饰器处理带参数函数的关键,在于让装饰器内部的包装函数(wrapper)能接收并传递任意参数,而不是写死参数名或数量。
用 *args 和 **kwargs 通用接收
这是最常用也最稳妥的方式。包装函数不关心原函数具体要几个参数、是位置还是关键字,统一用 *args 接收所有位置参数,**kwargs 接收所有关键字参数,再原样传给被装饰函数。
例如:
def log_call(func):
def wrapper(*args, **kwargs):
print(f"调用 {func.__name__},参数:{args}, {kwargs}")
result = func(*args, **kwargs)
print(f"{func.__name__} 返回:{result}")
return result
return wrapper
@log_call
def add(a, b, c=10):
return a + b + c
add(1, 2) # 输出:调用 add,参数:(1, 2), {'c': 10}
add(5, y=3, x=1) # 也能正常工作(只要原函数支持这些参数)
装饰器自身带参数时:多套一层函数
如果想让装饰器能接收配置(比如日志级别、重试次数),就需要三层嵌套:最外层接收装饰器参数,中间返回真正的装饰器,最内层是 wrapper。
关键点是中间层必须返回一个可调用对象(即装饰器),它接收被装饰函数并返回 wrapper。
例如:
def retry(max_attempts=3):
def decorator(func):
def wrapper(*args, **kwargs):
for i in range(max_attempts):
try:
return func(*args, **kwargs)
except Exception as e:
if i == max_attempts - 1:
raise e
print(f"第 {i+1} 次尝试失败,重试中...")
return wrapper
return decorator
@retry(max_attempts=2)
def fetch_data(url):
模拟可能失败的操作
raise ConnectionError("网络错误")保持原函数元信息(__name__、__doc__ 等)
直接写 wrapper 会导致 help(add) 显示的是 wrapper 的信息,而非原函数。用 @functools.wraps(func) 可自动复制元数据。
推荐写法:
from functools import wrapsdef log_call(func): @wraps(func) # 这一行很重要 def wrapper(*args, *kwargs): print(f"调用 {func.name}") return func(args, **kwargs) return wrapper
@log_call def greet(name): """向某人打招呼""" return f"Hello, {name}"
print(greet.doc) # 正确输出:"向某人打招呼" print(greet.name) # 正确输出:"greet"
处理有类型提示的函数
若原函数带类型注解(如 def calc(x: int, y: float) -> str:),wrapper 本身也应保留这些提示,否则静态检查工具(如 mypy)可能报错。使用 @wraps 后,类型提示默认不会自动继承,但大多数现代类型检查器能通过 functools.wraps 推断。更严谨的做法是手动标注 wrapper 的签名(需配合 typing 模块和 ParamSpec,Python 3.10+):
from typing import Callable, TypeVar, ParamSpec from functools import wrapsP = ParamSpec('P') R = TypeVar('R')
def log_call(func: Callable[P, R]) -> Callable[P, R]: @wraps(func) def wrapper(*args: P.args, *kwargs: P.kwargs) -> R: print(f"调用 {func.name}") return func(args, **kwargs) return wrapper
今天关于《Python装饰器如何处理带参数函数?》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
Win10鼠标图标更换教程详解
- 上一篇
- Win10鼠标图标更换教程详解
- 下一篇
- 一平方千米等于多少公顷?1平方公里是多少亩?
-
- 文章 · python教程 | 2小时前 | python · 进程管理 · Python subprocess Popen 进程树 TimeoutExpired 超时清理
- Python subprocess 超时后清理子进程树
- 108浏览 收藏
-
- 文章 · python教程 | 22小时前 | 日志 · logging · Python教程 · Python contextvars request_id LogRecord logging.Filter
- Python logging.Filter 注入请求上下文的做法
- 410浏览 收藏
-
- 文章 · python教程 | 3天前 | Python教程 · Python 鸭子类型 typing.Protocol 结构子类型
- Python typing.Protocol 约束鸭子类型接口
- 246浏览 收藏
-
- 文章 · python教程 | 3天前 | Python教程 · Python 相对路径 is_file pathlib Path.resolve
- Python pathlib 相对路径规范化与文件判断
- 144浏览 收藏
-
- 文章 · python教程 | 3天前 | python · 异步编程 · asyncio · Python CancelledError asyncio.timeout TimeoutError
- Python asyncio.timeout 嵌套取消与异常传播
- 373浏览 收藏
-
- 文章 · python教程 | 4天前 |
- Python heapq 最大堆 API 怎么避免手动取负数
- 397浏览 收藏
-
- 文章 · python教程 | 4天前 | python · Python 不可变对象 namedtuple dataclass copy.replace
- Python copy.replace 怎么更新不可变对象字段
- 245浏览 收藏
-
- 文章 · python教程 | 4天前 | python ·
- Python NamedTemporaryFile 的 delete_on_close 怎么设置
- 311浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 300次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 357次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 355次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 323次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 141次使用
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换:encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览

