进阶实战：AsyncIO 异步环境下的装饰器与代理模式演进

在现代 Python 高并发架构（如 FastAPI、Tornado、异步爬虫框架）中，async/await 已经成为标配。然而，传统的同步装饰器和代理如果直接套用在协程函数上，往往会导致事件循环阻塞 或类型断言失败。

1. 兼容同步与异步的万能装饰器

一个优秀的现代化装饰器，必须具备"双模"识别能力------既能装饰普通函数，也能装饰协程函数（Coroutine Function）。

实战案例：支持 Async/Sync 的通用耗时统计装饰器

import time
import asyncio
from functools import wraps

def monitor_performance(func):
    """自适应同步与异步的性能监控装饰器"""
    if asyncio.iscoroutinefunction(func):
        @wraps(func)
        async def async_wrapper(*args, **kwargs):
            start_time = time.perf_counter()
            try:
                result = await func(*args, **kwargs)
                return result
            finally:
                elapsed = time.perf_counter() - start_time
                print(f"[异步监控] 协程 {func.__name__} 耗时: {elapsed:.4f} 秒")
        return async_wrapper
    else:
        @wraps(func)
        def sync_wrapper(*args, **kwargs):
            start_time = time.perf_counter()
            try:
                result = func(*args, **kwargs)
                return result
            finally:
                elapsed = time.perf_counter() - start_time
                print(f"[同步监控] 函数 {func.__name__} 耗时: {elapsed:.4f} 秒")
        return sync_wrapper

# 使用示例
@monitor_performance
async def fetch_data_from_remote(url: str):
    await asyncio.sleep(1)  # 模拟网络 IO
    return f"Response of {url}"

@monitor_performance
def heavy_cpu_task(n: int):
    return sum(i * i for i in range(n))

# 测试运行
async def main():
    print(await fetch_data_from_remote("https://api.csdn.net"))
    print(heavy_cpu_task(1000000))

# 运行异步主函数
asyncio.run(main())

架构避坑指南 ：在编写代理模式处理异步方法时，切记要在 __getattr__ 中判断目标方法是否为协程，并显式通过 async def 返回包装后的协程对象，否则在调用时会抛出 TypeError: object NoneType can't be used in 'await' expression 异常。

七、 架构师视角：何时选择装饰器？何时选择代理模式？

在面对具体业务场景时，我们究竟该用装饰器还是代理模式？可以通过下表进行快速权衡：

维度	装饰器模式 (Decorator)	代理模式 (Proxy)
关注点	侧重于给函数或类动态增加切面功能（AOP），如日志、鉴权、缓存。	侧重于控制对某个对象的全生命周期访问，如延迟加载、远程代理、访问权限控制。
粒度	通常针对单一函数、方法或整个类。	通常针对整个对象的所有属性和方法行为进行整体拦截。
实现机制	Python 原生语法糖 @decorator，基于高阶函数或类闭包。	多依赖魔法方法（如 __getattr__、__getattribute__）进行属性重定向。
典型应用场景	Web 路由注册、API 权限校验、性能埋点。	ORM 延迟加载、RPC 客户端存根、保护敏感对象。

八、 写在最后

从经典设计模式到现代 Python 的演进，我们不难发现：语言越强大，模式越轻量。

在 Java 中可能需要十几行甚至上百行才能搞定的动态代理和切面逻辑，在 Python 中借助一等函数、闭包以及强大的元编程（Meta-programming）魔法方法，往往寥寥数行即可实现。然而，能力越大责任越大，过度使用"动态拦截"和"魔法方法"可能会降低代码的可读性和静态类型检查（如 Mypy）的友好度。

在实际开发中，保持"显式优于隐式"的 Pythonic 哲学，结合业务场景权衡选择，才能让代码既有现代化的优雅，又具备工业级的稳健。