Python 中的鸭子类型和猴子补丁
大家好,我是老王。
Python 开发者可能都听说过鸭子类型和猴子补丁这两个词,即使没听过,也大概率写过相关的代码,只不过并不了解其背后的技术要点是这两个词而已。
我最近在面试候选人的时候,也会问这两个概念,很多人答的也并不是很好。但是当我向他们解释完之后,普遍都会恍然大悟:“哦,是这个啊,我用过”。
所以,我决定来写一篇文章,探讨一下这两个技术。
鸭子类型
引用维基百科中的一段解释:
鸭子类型(duck typing)在程序设计中是动态类型的一种风格。在这种风格中,一个对象有效的语义,不是由继承自特定的类或实现特定的接口,而是由"当前方法和属性的集合"决定。
更通俗一点的说:
当看到一只鸟走起来像鸭子、游泳起来像鸭子、叫起来也像鸭子,那么这只鸟就可以被称为鸭子。
也就是说,在鸭子类型中,关注点在于对象的行为,能作什么;而不是关注对象所属的类型。
我们看一个例子,更形象地展示一下:
# 这是一个鸭子(Duck)类 class Duck: def eat(self): print("A duck is eating...") def walk(self): print("A duck is walking...") # 这是一个狗(Dog)类 class Dog: def eat(self): print("A dog is eating...") def walk(self): print("A dog is walking...") def animal(obj): obj.eat() obj.walk() if __name__ == '__main__': animal(Duck()) animal(Dog())
程序输出:
A duck is eating... A duck is walking... A dog is eating... A dog is walking...
Python 是一门动态语言,没有严格的类型检查。只要 Duck 和 Dog 分别实现了 eat 和 walk 方法就可以直接调用。
再比如 list.extend() 方法,除了 list 之外,dict 和 tuple 也可以调用,只要它是可迭代的就都可以调用。
看过上例之后,应该对「对象的行为」和「对象所属的类型」有更深的体会了吧。
再扩展一点,其实鸭子类型和接口挺像的,只不过没有显式定义任何接口。
比如用 Go 语言来实现鸭子类型,代码是这样的:
package main import "fmt" // 定义接口,包含 Eat 方法 type Duck interface { Eat() } // 定义 Cat 结构体,并实现 Eat 方法 type Cat struct{} func (c *Cat) Eat() { fmt.Println("cat eat") } // 定义 Dog 结构体,并实现 Eat 方法 type Dog struct{} func (d *Dog) Eat() { fmt.Println("dog eat") } func main() { var c Duck = &Cat{} c.Eat() var d Duck = &Dog{} d.Eat() s := []Duck{ &Cat{}, &Dog{}, } for _, n := range s { n.Eat() } }
通过显式定义一个 Duck 接口,每个结构体实现接口中的方法来实现。
猴子补丁
猴子补丁(Monkey Patch)的名声不太好,因为它会在运行时动态修改模块、类或函数,通常是添加功能或修正缺陷。
猴子补丁在内存中发挥作用,不会修改源码,因此只对当前运行的程序实例有效。
但如果滥用的话,会导致系统难以理解和维护。
主要有两个问题:
- 补丁会破坏封装,通常与目标紧密耦合,因此很脆弱
- 打了补丁的两个库可能相互牵绊,因为第二个库可能会撤销第一个库的补丁
所以,它被视为临时的变通方案,不是集成代码的推荐方式。
按照惯例,还是举个例子来说明:
# 定义一个Dog类 class Dog: def eat(self): print("A dog is eating ...") # 在类的外部给 Dog 类添加猴子补丁 def walk(self): print("A dog is walking ...") Dog.walk = walk # 调用方式与类的内部定义的属性和方法一样 dog = Dog() dog.eat() dog.walk()
程序输出:
A dog is eating ... A dog is walking ...
这里相当于在类的外部给 Dog 类增加了一个 walk 方法,而调用方式与类的内部定义的属性和方法一样。
再举一个比较实用的例子,比如我们常用的 json 标准库,如果说想用性能更高的 ujson 代替的话,那势必需要将每个文件的引入:
import json
改成:
import ujson as json
如果这样改起来成本就比较高了。这个时候就可以考虑使用猴子补丁,只需要在程序入口加上:
import json import ujson def monkey_patch_json(): json.__name__ = 'ujson' json.dumps = ujson.dumps json.loads = ujson.loads monkey_patch_json()
这样在以后调用 dumps 和 loads 方法的时候就是调用的 ujson 包,还是很方便的。
但猴子补丁就是一把双刃剑,问题也在上文中提到了,看需,谨慎使用吧。
以上是Python 中的鸭子类型和猴子补丁的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

PHP和Python各有优劣,选择取决于项目需求和个人偏好。1.PHP适合快速开发和维护大型Web应用。2.Python在数据科学和机器学习领域占据主导地位。

在CentOS系统上启用PyTorchGPU加速,需要安装CUDA、cuDNN以及PyTorch的GPU版本。以下步骤将引导您完成这一过程:CUDA和cuDNN安装确定CUDA版本兼容性:使用nvidia-smi命令查看您的NVIDIA显卡支持的CUDA版本。例如,您的MX450显卡可能支持CUDA11.1或更高版本。下载并安装CUDAToolkit:访问NVIDIACUDAToolkit官网,根据您显卡支持的最高CUDA版本下载并安装相应的版本。安装cuDNN库:前

Python和JavaScript在社区、库和资源方面的对比各有优劣。1)Python社区友好,适合初学者,但前端开发资源不如JavaScript丰富。2)Python在数据科学和机器学习库方面强大,JavaScript则在前端开发库和框架上更胜一筹。3)两者的学习资源都丰富,但Python适合从官方文档开始,JavaScript则以MDNWebDocs为佳。选择应基于项目需求和个人兴趣。

Docker利用Linux内核特性,提供高效、隔离的应用运行环境。其工作原理如下:1. 镜像作为只读模板,包含运行应用所需的一切;2. 联合文件系统(UnionFS)层叠多个文件系统,只存储差异部分,节省空间并加快速度;3. 守护进程管理镜像和容器,客户端用于交互;4. Namespaces和cgroups实现容器隔离和资源限制;5. 多种网络模式支持容器互联。理解这些核心概念,才能更好地利用Docker。

MinIO对象存储:CentOS系统下的高性能部署MinIO是一款基于Go语言开发的高性能、分布式对象存储系统,与AmazonS3兼容。它支持多种客户端语言,包括Java、Python、JavaScript和Go。本文将简要介绍MinIO在CentOS系统上的安装和兼容性。CentOS版本兼容性MinIO已在多个CentOS版本上得到验证,包括但不限于:CentOS7.9:提供完整的安装指南,涵盖集群配置、环境准备、配置文件设置、磁盘分区以及MinI

在CentOS系统上进行PyTorch分布式训练,需要按照以下步骤操作:PyTorch安装:前提是CentOS系统已安装Python和pip。根据您的CUDA版本,从PyTorch官网获取合适的安装命令。对于仅需CPU的训练,可以使用以下命令:pipinstalltorchtorchvisiontorchaudio如需GPU支持,请确保已安装对应版本的CUDA和cuDNN,并使用相应的PyTorch版本进行安装。分布式环境配置:分布式训练通常需要多台机器或单机多GPU。所

在CentOS系统上安装PyTorch,需要仔细选择合适的版本,并考虑以下几个关键因素:一、系统环境兼容性:操作系统:建议使用CentOS7或更高版本。CUDA与cuDNN:PyTorch版本与CUDA版本密切相关。例如,PyTorch1.9.0需要CUDA11.1,而PyTorch2.0.1则需要CUDA11.3。cuDNN版本也必须与CUDA版本匹配。选择PyTorch版本前,务必确认已安装兼容的CUDA和cuDNN版本。Python版本:PyTorch官方支

Python在自动化、脚本编写和任务管理中表现出色。1)自动化:通过标准库如os、shutil实现文件备份。2)脚本编写:使用psutil库监控系统资源。3)任务管理:利用schedule库调度任务。Python的易用性和丰富库支持使其在这些领域中成为首选工具。
