Metaklasy i deskryptory to zaawansowane cechy Pythona służące do meta-programowania — kontrolowania sposobu, w jaki klasy i dostęp do atrybutów się zachowują. Napędzają dużo "magii" w frameworkach (ORMy, Pydantic), choć rzadko piszesz je bezpośrednio w kodzie aplikacji.
:
(Dog)
(Dog())
Tak jak klasa tworzy instancje, metaklasa tworzy klasy. Dostosowując metaklasę, możesz przechwytać i modyfikować tworzenie klasy:
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
To pozwala frameworkom automatycznie rejestrować klasy, walidować definicje lub dodawać zachowanie do każdej podklasy — np. jak ORMy zamieniają atrybuty klasy na kolumny bazy danych.
Deskryptor to obiekt, który definiuje __get__/__set__/__delete__, kontrolując to, co się dzieje, gdy atrybut jest czytany lub zapisywany:
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
Deskryptory przechwytują dostęp do atrybutów — umożliwiając walidację, atrybuty obliczane i leniwą inicjalizację. W rzeczywistości, @property, @classmethod i @staticmethod są wszystkie zaimplementowane jako deskryptory.
Metaclasses → Django/SQLAlchemy ORM models, ABCs, Pydantic, framework registration
Descriptors → @property, ORM fields, validation libraries, lazy attributes
Metaklasy i deskryptory to maszyna meta-programowania stojąca za dużą częścią najpotężniejszych bibliotek Pythona — ORMy, które zamieniają definicje klas na schematy baz danych, frameworki walidacji jak Pydantic, a nawet wbudowane jak @property (deskryptor).
Choć większość programistów rzadko je pisze bezpośrednio (i nie powinna sięgać po nich, gdy dostępne są prostsze narzędzia), ich zrozumienie wyjaśnia, jak frameworki osiągają swoją "magię" dostosowania na poziomie klasy i kontrolowanego dostępu do atrybutów.
Ta wiedza jest cenna dla zaawansowanego projektowania bibliotek, debugowania zachowania frameworków i głębokim zrozumieniu modelu obiektów Pythona — to właśnie odróżnia pośrednie od eksperckiego poziomu zrozumienia języka.