Python装饰器实战：5个真实项目中的高效用法（附代码）

原创

于 2026-03-02 15:30:13 发布 · 639 阅读

标签

Python装饰器实战：5个真实项目中的高效用法（附代码）

如果你已经对Python的语法有了基本掌握，甚至写过一些小型项目，那么“装饰器”这个词对你来说应该不陌生。你可能在Flask的@app.route里见过它，在Django的@login_required里用过它，或者在别人的代码里看到一堆@符号感到困惑。但你是否真正思考过，为什么这个看似简单的语法糖，会成为众多优秀Python框架和库的基石？它绝不仅仅是为了让代码“看起来更酷”，而是解决代码复用、关注点分离和架构整洁性的利器。

今天，我们不打算重复那些“装饰器是一个接收函数作为参数的函数”的教科书定义。我们将直接跳入战场，从五个我亲身经历或重构过的真实项目场景出发，看看装饰器是如何解决那些令人头疼的实际问题的。从提升代码可观测性，到构建灵活的策略模式，再到实现轻量级的面向切面编程（AOP），你会发现，用好装饰器，能让你的代码从“能跑”跃升到“优雅且易于维护”。无论你是正在开发一个Web后端服务，还是在构建一个数据处理的流水线，这些实战案例都能给你带来直接的启发。

1. 构建可观测性：从零搭建一个函数级监控系统

在微服务或复杂单体应用中，了解每个关键函数的执行情况至关重要。是耗时过长，还是频繁出错？手动在每个函数里添加计时和日志语句不仅繁琐，还会污染核心业务逻辑。这时，一个精心设计的监控装饰器就能大显身手。

想象一下，你有一个处理用户订单的核心服务，包含create_order、process_payment、update_inventory等多个函数。你需要监控它们的执行时间、成功率和调用频率。

我们先来实现一个基础的性能监控装饰器：

import time
import functools
from collections import defaultdict
from datetime import datetime

class FunctionMonitor:
    """一个简单的函数监控器，用于收集执行数据"""
    _stats = defaultdict(lambda: {'call_count': 0, 'total_time': 0.0, 'errors': 0})

    @classmethod
    def record(cls, func_name, duration, success=True):
        cls._stats[func_name]['call_count'] += 1
        cls._stats[func_name]['total_time'] += duration
        if not success:
            cls._stats[func_name]['errors'] += 1

    @classmethod
    def get_report(cls):
        report = []
        for func_name, data in cls._stats.items():
            avg_time = data['total_time'] / data['call_count'] if data['call_count'] > 0 else 0
            error_rate = (data['errors'] / data['call_count']) * 100 if data['call_count'] > 0 else 0
            report.append({
                'function': func_name,
                'calls': data['call_count'],
                'avg_time_ms': round(avg_time * 1000, 2),
                'error_rate_percent': round(error_rate, 2)
            })
        return report

def monitor_performance(alert_threshold_ms=1000):
    """
    性能监控装饰器工厂函数。
    :param alert_threshold_ms: 执行时间超过此阈值（毫秒）会触发警告日志
    """
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args, **kwargs):
            start_time = time.perf_counter()
            func_name = f"{func.__module__}.{func.__qualname__}"
            try:
                result = func(*args, **kwargs)
                success = True
            except Exception as e:
                success = False
                # 可以在这里集成错误上报，如 Sentry
                print(f"[ERROR] {func_name} failed: {e}")
                raise
            finally:
                end_time = time.perf_counter()
                duration = end_time - start_time
                FunctionMonitor.record(func_name, duration, success)

                # 慢查询警告
                if duration * 1000 > alert_threshold_ms:
                    print(f"[WARN] {func_name} is slow: {duration*1000:.2f}ms")

            return result
        return wrapper
    return decorator

现在，我们可以轻松地将其应用到业务函数上：

@monitor_performance(alert_threshold_ms=500) # 超过500毫秒即告警
def create_order(user_id, items):
    """模拟创建订单，包含一些数据库和外部API调用"""
    time.sleep(0.3) # 模拟数据库操作
    # ... 业务逻辑 ...
    return {"order_id": 12345, "status": "created"}

@monitor_performance() # 使用默认阈值
def calculate_discount(order_amount, user_tier):
    """计算折扣，纯CPU计算"""
    if user_tier == "vip":
        return order_amount * 0.8
    elif user_tier == "regular":
        return order_amount * 0.95
    return order_amount

# 模拟调用
if __name__ == "__main__":
    for _ in range(5):
        create_order(1, [{"id": 101, "qty": 2}])
        calculate_discount(1000, "vip")

    # 获取监控报告
    report = FunctionMonitor.get_report()
    for item in report:
        print(f"{item['function']}: {item['calls']} calls, avg {item['avg_time_ms']}ms, error {item['error_rate_percent']}%")

这个装饰器带来的好处是立竿见影的：