带状态的Python装饰器实现方法
2026-03-28 08:22:02
0浏览
收藏
本文深入解析了Python中带状态装饰器的两种主流实现方式——类装饰器和闭包装饰器,清晰对比了它们在状态管理、实例隔离、可扩展性与适用场景上的核心差异:类方式通过`__call__`和实例属性天然支持多实例独立状态、参数化配置(如限流器)及灵活扩展;闭包方式借助`nonlocal`实现轻量单状态计数,但难以复用和隔离。文章还强调了`functools.wraps`对保留函数元信息的必要性,并警示避免全局变量导致的状态污染,辅以实用代码示例与关键注意事项,助你写出健壮、可维护、真正“有记忆”的装饰器。

带状态的装饰器是指在装饰过程中能保存和访问内部变量的装饰器,比如统计调用次数、缓存上次结果、限制调用频率等。核心思路是让装饰器本身是一个类,或返回一个闭包,其中包含可变的状态变量。
用类实现带状态的装饰器
类是最清晰、最易扩展的方式。通过实现 __call__ 方法,让实例可调用;状态(如计数器)作为实例属性保存。
例如,实现一个统计函数调用次数的装饰器:
class CallCounter:
def __init__(self, func):
self.func = func
self.count = 0
def __call__(self, *args, **kwargs):
self.count += 1
print(f"{self.func.__name__} 已被调用 {self.count} 次")
return self.func(*args, **kwargs)@CallCounter
def greet(name):
return f"Hello, {name}!"
使用时:
greet("Alice") # 输出:greet 已被调用 1 次
greet("Bob") # 输出:greet 已被调用 2 次
print(greet.count) # 输出:2
用闭包实现带状态的装饰器
闭包方式利用嵌套函数+ nonlocal 声明来修改外层变量。适合轻量、单状态场景。
同样实现调用计数:
def call_counter(func):
count = 0
def wrapper(*args, **kwargs):
nonlocal count
count += 1
print(f"{func.__name__} 已被调用 {count} 次")
return func(*args, **kwargs)
wrapper.count = lambda: count # 提供访问接口(可选)
return wrapper
@call_counter
def say_hi():
return "Hi!"
注意:闭包中的 count 是不可直接赋值修改的(除非用 nonlocal),且无法像类那样自然支持多个独立实例。
支持参数的带状态装饰器(类方式更推荐)
如果需要初始化状态(比如设定最大调用次数),类方式更直观:
class RateLimiter:
def __init__(self, max_calls=3):
self.max_calls = max_calls
self.calls = 0
def __call__(self, func):
def wrapper(*args, **kwargs):
if self.calls >= self.max_calls:
raise RuntimeError(f"超出调用上限 {self.max_calls}")
self.calls += 1
print(f"第 {self.calls} 次调用")
return func(*args, **kwargs)
return wrapper使用
@RateLimiter(max_calls=2)
def do_work():
return "done"
这种写法中,@RateLimiter(...) 先构造实例,再用该实例装饰函数,状态随实例隔离,不同装饰器互不影响。
注意事项与技巧
- 用 functools.wraps 包装内层函数(无论是类的 __call__ 还是闭包的 wrapper),避免丢失原函数的 __name__、__doc__ 等元信息
- 类装饰器天然支持多实例状态隔离;闭包装饰器若带参数,需再嵌套一层函数,容易混淆作用域
- 状态变量应避免全局变量——否则所有被装饰函数共享同一状态,通常不是预期行为
- 若需重置状态(如测试中),类方式可通过实例方法暴露 reset 接口,闭包方式则较难做到
文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《带状态的Python装饰器实现方法》文章吧,也可关注golang学习网公众号了解相关技术文章。
CSS面板组件BEM结构:头部主体底部拆分
- 上一篇
- CSS面板组件BEM结构:头部主体底部拆分
- 下一篇
- Word图片水平居中设置技巧
查看更多
最新文章
-
- 文章 · python教程 | 1小时前 | python · Python import很慢 -X importtime 模块级副作用 延迟导入 Python启动优化
- Python import 很慢怎么分析:模块级副作用与延迟导入
- 292浏览 收藏
-
- 文章 · python教程 | 3小时前 | python · 异步编程 · Python asyncio contextvars request_id
- contextvars 在异步请求链中传递追踪信息
- 393浏览 收藏
-
- 文章 · python教程 | 12小时前 | 并发 · 异常处理 · python · asyncio · CancelledError 结构化并发 ExceptionGroup Python asyncio TaskGroup asyncio gather
- asyncio TaskGroup 让并发任务在首错时一起收敛
- 246浏览 收藏
-
- 文章 · python教程 | 14小时前 |
- Python 3.14 自由线程程序怎样显式保护共享状态
- 337浏览 收藏
-
- 文章 · python教程 | 17小时前 | 标准库 · Python教程 · Python Traversable importlib.resources 包内资源
- Python importlib.resources Traversable 怎么读取包内目录
- 359浏览 收藏
-
- 文章 · python教程 | 20小时前 | 时区 · python · Python zoneinfo reset_tzpath TZPATH 自定义时区库 ZoneInfo缓存
- Python zoneinfo.reset_tzpath 怎么切换自定义时区库
- 176浏览 收藏
-
- 文章 · python教程 | 22小时前 | Python教程 · Python 并行执行 全局状态 InterpreterPoolExecutor
- Python InterpreterPoolExecutor 怎么隔离不同任务的全局状态
- 130浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python zip strict=True 在第几次迭代发现长度不一致
- 437浏览 收藏
查看更多
课程推荐
-
- 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
查看更多
AI推荐
-
- 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。
- 365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。
- 423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。
- 436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。
- 387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。
- 214次使用
查看更多
相关文章
-
- 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

