这篇教程Python 中@lazyprop 装饰器的用法写得很实用，希望能帮到您。
安装例子1from lazyprop import lazypropclass Foo(object): def __init__(self): self.load_count = 0 @lazyprop def lazy(self): self.load_count += 1f = Foo()f.lazyf.lazyf.lazyprint(f.load_count) 输出： 1
例子2from lazyprop import lazypropclass Foo(object): def __init__(self): self.load_count = 0 # @lazyprop def lazy(self): self.load_count += 1f = Foo()f.lazyf.lazyf.lazyprint(f.load_count) 输出： 0
补充：python语言中的AOP利器：装饰器 一、前言面向切面编程（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 _retry2、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。 @degradedef 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 _wrapper3、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_decoratordef 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 _wrap4、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。 @uniquedef 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四、总结AOP在少量增加代码复杂度的前提下，显著的获得以下优点： 1、使得功能逻辑和业务逻辑解耦，功能和业务的修改完全独立，代码结构清晰，开发方便 2、一键注入，代码复用程度高，扩展方便 以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。
python 中的collections.OrderedDict() 用法
pycharm中jupyter的使用图文教程 |
