仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
来源：投稿作者：sunny
编辑：学姐
在Python中，装饰器（Decorator）和生成器（Generator）如同两件神秘法宝，让开发者能以更优雅的方式解决复杂问题，前者赋予代码超越流程控制的能力，后者则开辟了内存优化的新维度。
假设我们正在开发一个Web框架，需要为所有路由函数添加身份验证和日志记录功能。传统做法需要修改每个函数：
当需要修改认证逻辑时，必须逐个修改所有函数。这显然违反了DRY（Don’tRepeatYourself）原则。
装饰器本质上是一个高阶函数，它接收一个函数作为参数，返回一个新的增强函数。
基础版装饰器：
代码解析：
@log_decorator是语法糖，等价于add=log_decorator(add)
wrapper函数保留了原函数的参数（*args,**kwargs）
通过闭包特性保留了原函数的引用
当需要配置装饰器行为时（如设置日志级别），可以使用三层嵌套：
关键点：
最外层函数接收装饰器参数
中间层函数接收被装饰函数
最内层函数实现增强逻辑
装饰器不仅限于函数，还可以用类实现：
魔法方法解析：
__call__方法使类实例成为可调用对象
通过self.func保留原函数引用
可以维护状态（如调用次数）
性能分析：记录函数执行时间
缓存优化：记忆化（Memoization）
权限控制：基于角色的访问控制
生成器是迭代器的进化版，先回顾迭代器协议：
生成器使用yield语句替代复杂的迭代器实现：
关键特性：
惰性求值：每次产生一个值，不保存全部结果
状态保存：yield会保留函数执行上下文
内存高效：适合处理大数据流
类似列表推导式，但使用圆括号：
生成器可以作为简单的协程使用，通过send()方法发送值：
大数据处理：逐行读取文件
数学序列生成：斐波那契数列
管道处理：数据流水线
为生成器添加预处理/后处理逻辑：
结合生成器和装饰器实现简单任务队列：
装饰器可能破坏原函数的元数据，使用functools.wraps修复：
通过反汇编观察生成器状态：
对比列表和生成器的内存使用：
保持装饰器简单：避免在装饰器中实现复杂业务逻辑
明确装饰器作用：通过命名清晰表达功能（如@login_required）
使用wraps保持元数据
避免多层嵌套装饰器的执行顺序问题
优先选择生成器表达式而非列表推导式处理大数据
需要状态保持时使用生成器函数
复杂数据流处理使用生成器管道
避免在生成器中执行阻塞IO操作（考虑使用异步框架）
使用inspect模块检查装饰器：
生成器调试：
-END-
推荐课程
《Python·AI&数据科学入门》
点这里👇关注我，回复“python”了解课程
往期精彩阅读
👉kaggle比赛baseline合集
👉经典论文推荐合集
👉人工智能必读书籍
👉本专科硕博学习经验
10个赞学姐的午饭就可以有个鸡腿🍗
