Flask学习(五):flask中添加装饰器

一、注意装饰器函数所在的位置:

代码示例如下:

python 复制代码
from flask import Flask

app = Flask(__name__)


def wapper(func):
    def inner(*args, **kwargs):
        print("执行了装饰器")
        return func(*args, **kwargs)

    return inner


@wapper
@app.route("/index1")
def index():
    return "Index"


if __name__ == "__main__":
    app.run()

执行结果:

由上述代码执行结果可知,装饰器wapper并没有被执行到,这是由于请求过来之后,执行完index并返回视图,因为wapper装饰器在app.route上面,所以并未执行到wapper装饰器,若想执行wapper装饰器,则需要将wapper放到route下面。

python 复制代码
@app.route("/index1")
@wapper
def index():
    return "Index"

执行结果如下:

由上述程序执行结果可知,当装饰器wapper放到route下面的时候,route会把装饰器wapper和index函数当做一个整体去执行,因此按照装饰器的执行顺序,就会先执行wapper返回inner函数引用,然后在执行请求,返回视图。

二、由第一条衍生出第二个问题,当多个请求共同被一个装饰器装饰的时候,程序会出现错误,示例及结果如下:

python 复制代码
from flask import Flask
from werkzeug.routing import BaseConverter

app = Flask(__name__)


def wapper(func):
    def inner(*args, **kwargs):
        print("执行了装饰器")
        return func(*args, **kwargs)

    return inner


@app.route("/index1")
@wapper
def index():
    return "Index"

@app.route("/index2")
@wapper
def index2():
    return "Index"


if __name__ == "__main__":
    app.run()

执行结果:

这是因为两个请求被一个装饰器装饰,执行装饰器后返回的是同样的inner函数的引用,因此存在两个inner函数,故而程序会报错,如果需要解决此问题就需要在执行装饰器的时候返回的函数引用是传入的函数参数,而不是内部闭包函数。因此需要在装饰器函数的内部函数上添加@functools.wraps(func)

@functools.wraps(func) (作用是在装饰函数时保留被装饰函数的元数据,比如函数名、注释、参数列表等。因为装饰器通常会改变函数的元数据,导致被装饰函数的某些特性丢失),代码如下所示:

python 复制代码
def wapper(func):
    def inner(*args, **kwargs):
        print("执行了装饰器")
        return func(*args, **kwargs)

    return inner
相关推荐
派葛穆7 分钟前
Python-pip切换镜像源
开发语言·python·pip
CTA终结者15 分钟前
2026年AI量化提效,工具重点要按阶段调整
人工智能·python
Go-higher33 分钟前
DriverTest 驾考知识卡片学习助手 —— 一款基于 Jetpack Compose 的现代 Android 学习APP
android·学习
xxie12379437 分钟前
Python 闭包:函数嵌套的 “状态捕获” 机制
开发语言·python
星幻元宇VR1 小时前
公共安全主题展厅设备【防洪防汛安全科普系统】
科技·学习·安全
c_lb72881 小时前
最新AI量化提效,交易认知和技术实现要接上
人工智能·python
机汇五金_1 小时前
钣金外壳定制厂家助力设备升级
大数据·人工智能·python·物联网
AI科技星1 小时前
32维超复数流形中意识信息场与物质耦合的拓扑动力学
人工智能·学习·算法·数据挖掘·回归·乖乖数学·全域数学
xxie1237941 小时前
Python 闭包的调用方法与实践
开发语言·python
HZZD_HZZD1 小时前
用电行为异常检测VAE-基于PyTorch设计用电行为异常检测模型:从时序特征提取到变分自编码器部署的完整实战
人工智能·pytorch·python