Metaclasses અને descriptors એ મેટા-પ્રોગ્રામિંગ માટે Python ની અગ્રવર્તી સુવિધાઓ છે — વર્ગો કેવી રીતે વર્તે છે અને વિશેષતા ઍક્સેસ કેવી રીતે કાર્ય કરે છે તેને નિયંત્રણ કરે છે. તેઓ ફ્રેમવર્ક્સ (ORMs, Pydantic) માં ઘણા "જાદુ" ને સક્ષમ કરે છે, જો કે તમે એપ્લીકેશન કોડમાં સીધા તેમને લખતા નથી.
:
(Dog)
(Dog())
જેમ વર્ગ ઇન્સ્ટેન્સ બનાવે છે, તેમ metaclass વર્ગો બનાવે છે. Metaclass ને કસ્ટમાઇজ કરીને, તમે વર્ગ નિર્માણને અટકાવી શકો અને તેને સુધાર શકો:
class Meta(type):
def __new__(mcs, name, bases, namespace):
# runs when a class USING this metaclass is DEFINED
namespace["created_by"] = "Meta" # inject an attribute into every such class
return super().__new__(mcs, name, bases, namespace)
class MyClass(metaclass=Meta):
pass
MyClass.created_by # "Meta" — injected by the metaclass at class-creation time
તેણી ફ્રેમવર્ક્સને વર્ગો આપમેળે નોંધણી કરવા, વ્યાખ્યાને ચકાસવા અથવા દરેક ઉપ-વર્ગમાં વર્તણૂક ઉમેરવા દે છે — દાખલા તરીકે કેવી રીતે ORMs વર્ગ વિશેષતાઓને ડેટાબેસ કોલમમાં ફેરવે છે.
Descriptor એ એક વસ્તુ છે જે __get__/__set__/__delete__ વ્યાખ્યાયિત કરે છે, જે વિશેષતા વાંચતા અથવા લખવામાં શું થાય છે તેને નિયંત્રણ કરે છે:
class Positive:
def __set_name__(self, owner, name):
self.name = f"_{name}"
def __get__(self, obj, objtype=None):
return getattr(obj, self.name)
def __set__(self, obj, value):
if value < 0:
raise ValueError("must be positive") # validate on assignment
setattr(obj, self.name, value)
class Account:
balance = Positive() # a descriptor as a class attribute
a = Account()
a.balance = 100 # calls Positive.__set__ → validates
a.balance = -5 # ❌ ValueError
Descriptors વિશેષતા ઍક્સેસને અટકાવે છે — ચકાસણી, ગણતરી વિશેષતા અને આળસુ લોડિંગ સક્ષમ કરે છે. હકીકતમાં, @property, @classmethod, અને @staticmethod બધા descriptors તરીકે લાગુ કરવામાં આવે છે.
Metaclasses → Django/SQLAlchemy ORM models, ABCs, Pydantic, framework registration
Descriptors → @property, ORM fields, validation libraries, lazy attributes
Metaclasses અને descriptors એ મેટા-પ્રોગ્રામિંગ મશીનરી છે જે Python ના સૌથી શક્તિશાળી લાઇબ્રેરી પાછળ છે — ORMs જે વર્ગ વ્યાખ્યાઓને ડેટાબેસ સ્કીમામાં ફેરવે છે, Pydantic જેવી ચકાસણી ફ્રેમવર્ક્સ, અને હત્તા built-ins જેવા @property (descriptor).
જો કે મોટા ભાગના વિકાસકર્તાઓ તેમને સીધા લખતા નથી (અને જ્યારે સરળ સાધનો હોય તો તેમના પર પહોંચવા જોઈએ નહીં), તેમને સમજવું આ ફ્રેમવર્ક્સ કેવી રીતે તેમના "જાદુ" વર્ગ-સ્તરીય કસ્ટમાઇজેશન અને નિયંત્રિત વિશેષતા ઍક્સેસ પ્રાપ્ત કરે છે તે સ્પષ્ટ કરે છે.
យ આ જ્ઞાન અગ્રવર્તી લાઇબ્રેરી ડિઝાઇન, ફ્રેમવર્ક વર્તણૂક ડીબગ કરવા અને Python ના object model ને ઊંડાણથી સમજવા માટે મૂલ્યવાન છે — તે મધ્યવર્તી થી Python ની ભાષાનું expert-level સમજણને અલગ કરે છે.