Python之所以在脚本语言里长期保持竞争力，不只是因为语法简单，更因为它在语言层面提供了一批高级特性。这些特性让开发者可以用更少的代码表达更复杂的意图，同时兼顾可读性与运行效率。本文围绕生成器、装饰器、描述符、上下文管理器、协程与元类，系统梳理它们的底层逻辑与实战用法。
生成器与惰性计算
生成器是Python里最容易被忽略却极实用的高级特性。普通函数用return一次性给出结果，而生成器函数用yield暂停执行并把中间值交出来，下次调用再从暂停点继续。这种机制让数据像流水线一样逐个产生，而不是先全量堆进内存。
在处理大文件或无限序列时，生成器的价值非常明显。例如读取一个几十GB的日志，如果直接用readlines把所有行读入列表，内存会瞬间告急；改成生成器后，每次只保留当前行在内存中。下面是一段对比代码：
# 普通函数：一次性返回所有行，内存压力大
def read_all(path):
lines = []
with open(path, 'r') as f:
for line in f:
lines.append(line)
return lines
# 生成器：惰性产出，内存占用恒定
def read_lazy(path):
with open(path, 'r') as f:
for line in f:
yield line
# 使用生成器逐行处理
for ln in read_lazy('big.log'):
if 'ERROR' in ln:
print(ln.strip())
除了函数式生成器，还可以用生成器表达式写成简洁的一行，比如(x*x for x in range(10))。它和列表推导式的区别就在于外层括号是小括号，返回的是生成器对象而非列表。需要链式数据处理时，多个生成器可以前后相接，形成高效的数据管道，且不会因为中间结果而额外占内存。
生成器也支持send、throw和close方法，使其能与外部双向通信。虽然日常业务里用得不多，但在实现协程雏形或状态机时非常顺手。理解生成器，是理解Python异步编程和函数式风格的第一块基石。
装饰器与逻辑复用
装饰器本质上是一个接收函数、返回新函数的高阶函数。它让横切逻辑，如日志、计时、权限校验，能够在不入侵业务代码的前提下被复用。很多初学者以为装饰器只是语法糖，其实它背后是闭包和一等公民函数的自然延伸。
最简单的装饰器长这样：
import time
def timer(func):
def wrapper(*args, **kwargs):
start = time.time()
result = func(*args, **kwargs)
print(f'{func.__name__} 耗时 {time.time()-start:.3f}s')
return result
return wrapper
@timer
def heavy_task(n):
total = 0
for i in range(n):
total += i
return total
heavy_task(1000000)
当多个装饰器叠加时，执行顺序是从下往上包裹，也就是离函数定义最近的先生效。若装饰器自身需要配置参数，就要再套一层工厂函数，返回真正的装饰器。Python内置的functools.wraps能保留原函数的名字和文档，避免调试时看到一堆wrapper。
在Web框架里，路由注册、登录态校验往往都是装饰器实现的。把通用行为抽成装饰器，业务函数就能保持干净，测试时也能单独替换掉外层逻辑。这是Python项目里最典型的高级特性落地方式。
描述符与属性控制
描述符是定义了__get__、__set__或__delete__中至少一个方法的对象。当它作为类属性时，Python在访问该属性时会自动把控制权交给描述符协议，而不是走普通的实例字典查找。这让我们能写出像内置property一样精细的字段控制逻辑。
比如做一个只允许正整数的描述符：
class PositiveInt:
def __set_name__(self, owner, name):
self.name = name
def __get__(self, instance, owner):
if instance is None:
return self
return instance.__dict__[self.name]
def __set__(self, instance, value):
if not isinstance(value, int) or value <= 0:
raise ValueError(f'{self.name} 必须为正整数')
instance.__dict__[self.name] = value
class Order:
qty = PositiveInt()
o = Order()
o.qty = 5
print(o.qty)
# o.qty = -1 会抛异常
描述符分为数据描述符和非数据描述符，区别在于是否实现__set__。数据描述符优先级高于实例字典，因此能完全接管赋值行为。Django的模型字段、SQLAlchemy的列定义，底层都依赖描述符来把类属性变成带校验和类型转换的数据库映射。
相比直接用property，描述符更适合在多个类之间复用同一套属性规则。把校验、类型转换、懒加载等逻辑封装进描述符类，模型代码就能保持声明式风格，也更容易单测。
上下文管理器与资源安全
上下文管理器通过__enter__和__exit__两个方法，把资源的获取和释放绑定到with语句块上。只要离开代码块，无论正常结束还是抛异常，__exit__都会被执行，从根本上杜绝了忘记关闭文件、连接泄漏等问题。
除了写类，还可以用contextlib.contextmanager把生成器变成管理器：
from contextlib import contextmanager
import sqlite3
@contextmanager
def db_conn(path):
conn = sqlite3.connect(path)
try:
yield conn
finally:
conn.close()
with db_conn('app.db') as c:
c.execute('SELECT 1')
在自动化测试里，上下文管理器常用来临时替换环境变量或打桩外部服务；在并发编程中，它也能封装锁的获取与释放，让临界区代码看起来和普通顺序代码没两样。配合contextlib.suppress，还能优雅地忽略指定异常，减少多余的try except嵌套。
需要强调的是，__exit__的返回值若为True，则块内异常会被吞掉。这个能力要谨慎使用，否则会让调用方误以为执行成功，埋下隐蔽bug。
协程与asyncio并发
协程是比线程更轻量的并发单元。Python通过async def定义协程函数，用await挂起等待。asyncio事件循环在单线程内调度这些协程，当某个协程等待IO时，立刻切去跑别的协程，从而用同步写法拿到异步性能。
下面是一个并发请求示例：
import asyncio
import aiohttp
async def fetch(url):
async with aiohttp.ClientSession() as s:
async with s.get(url) as resp:
return await resp.text()
async def main():
urls = ['https://ipipp.com/a', 'https://ipipp.com/b']
tasks = [fetch(u) for u in urls]
results = await asyncio.gather(*tasks)
print(len(results))
asyncio.run(main())
协程不适合CPU密集型任务，那种场景该用多进程。但它处理高并发网络IO时，比每请求开线程省得多。理解事件循环、任务与Future的关系，是写好asyncio代码的前提。很多老代码里混用阻塞调用会卡住整个循环，这点要特别留意。
从Python 3.7开始，asyncio.run成为标准入口，底层帮我们管好循环生命周期。结合TaskGroup等新特性，协程代码的错误处理也比早期版本清晰许多。
元类与类创建掌控
元类是创建类的类。默认情况下，类由type构造；当我们声明class Foo(metaclass=Bar)时，Bar就接管了Foo的诞生过程。这听起来抽象，却是ORM、接口注册等框架级能力的核心。
一个简单元类示例：
class RegistryMeta(type):
registry = {}
def __new__(mcs, name, bases, ns):
cls = super().__new__(mcs, name, bases, ns)
if name != 'Base':
RegistryMeta.registry[name] = cls
return cls
class Base(metaclass=RegistryMeta):
pass
class User(Base):
pass
print(RegistryMeta.registry)
元类能在类定义阶段自动收集子类、校验方法签名或注入通用方法。它比装饰器更早介入，适合做全局性的约束。但由于调试困难、可读性低，业务代码里应尽量避免，只在确实需要从类声明本身提取信息时再用。
Python 3.6引入的__init_subclass__和类装饰器，已经能覆盖不少原需元类的场景。写框架时先想清楚是否真的要下沉到元类层，往往能让代码更好维护。
总结
上面这些特性并不是孤立的技巧，它们共享同一套设计理念：把重复的模式交给语言或标准库，让人专注表达业务意图。生成器解决内存与流式处理，装饰器统一横切逻辑，描述符精细化属性，上下文管理器守住资源边界，协程重写IO并发，元类托住框架骨架。把这些能力串起来，才算真正用好了Python这门语言。
Python高级特性生成器装饰器修改时间：2026-08-04 08:57:46