Python with 工作原理、装饰器、回收机制、内存管理机制、拷贝、作用域等( 九 ) _字符

这里的deco函数就是最原始的装饰器，它的参数是一个函数，然后返回值也是一个函数。其中作为参数的这个函数func()就在返回函数()的内部执行。
在函数func()前面加上@deco ， func()函数就相当于被注入了计时功能，现在只要调用func() ，它就已经变身为“新的功能更多”的函数了。
这里装饰器就像一个注入符号：有了它，拓展了原来函数的功能既不需要侵入函数内更改代码，也不需要重复执行原函数。
#带有不定参数的装饰器import timedef deco(func):def wrapper(*args, **kwargs):startTime = time.time()func(*args, **kwargs)endTime = time.time()msecs = (endTime - startTime)*1000print("time is %d ms" %msecs)return wrapper@decodef func(a,b):print("hello ， here is a func for add :")time.sleep(1)print("result is %d" %(a+b))@decodef func2(a,b,c):print("hello ， here is a func for add :")time.sleep(1)print("result is %d" %(a+b+c))if __name__ == '__main__':f = funcfunc2(3,4,5)f(3,4)#func()
多个装饰器执行的顺序就是从最后一个装饰器开始，执行到第一个装饰器，再执行函数本身。
装饰器是先从被调函数开始看，如果被装饰，就执行装饰函数直到遇到包裹函数，如果包裹函数也被装饰，就再执行上层装饰函数，循环下去，直到没有上层装饰器，然后再从最上层装饰执行下去。
@deco01@deco02def func(a,b):print("hello ， here is a func for add :")time.sleep(1)print("result is %d" %(a+b))
我的测试案例展示如下所示：
import timefrom functools import wrapsdef outter(long=1):def deco(func):@wraps(func)def wrapper(*args, **kwargs):print(args, kwargs)start = time.time()res = func(*args, **kwargs)time.sleep(long)# delay timeend = time.time()# wrapper.__name__ = func.__name__# wrapper.__doc__ = func.__doc__print("the cost of time is ：{}".format(end - start))return resreturn wrapper# wrapper‘s addressreturn deco@outter(2)def old_func(name, key="bilibili"):"""the infor of helloworld"""print("helloworld", name, key)return "helloworld"old_func("唤醒手腕")print(old_func.__name__)print(old_func("唤醒手腕"))# func = deco(func)
09、垃圾回收机制
对于来说，一切皆为对象，所有的变量赋值都遵循着对象引用机制。程序在运行的时候，需要在内存中开辟出一块空间，用于存放运行时产生的临时变量；计算完成后，再将结果输出到永久性存储器中。如果数据量过大，内存空间管理不善就很容易出现 OOM（out of ），俗称爆内存，程序可能被操作系统中止。
而对于服务器，内存管理则显得更为重要，不然很容易引发内存泄漏 - 这里的泄漏，并不是说你的内存出现了信息安全问题，被恶意程序利用了，而是指程序本身没有设计好，导致程序未能释放已不再使用的内存。
内存泄漏也不是指你的内存在物理上消失了，而是意味着代码在分配了某段内存后，因为设计错误，失去了对这段内存的控制，从而造成了内存的浪费。也就是这块内存脱离了gc的控制。
的垃圾回收机制：计数引用、循环回收、标记清除、分代回收
垃圾回收机制：计数引用
因为中一切皆为对象，你所看到的一切变量，本质上都是对象的一个指针。