Metaklasser och deskriptorer är avancerade Python-funktioner för meta-programmering — kontroll av hur klasser och attributåtkomst beter sig. De driver mycket av "magin" i ramverk (ORM:er, Pydantic), även om du sällan skriver dem direkt i applikationskod.
:
(Dog)
(Dog())
Just som en klass skapar instanser, skapar en metaklass klasser. Genom att anpassa metaklassen kan du avbryta och ändra klassskapandet:
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
Detta gör det möjligt för ramverk att automatiskt registrera klasser, validera definitioner eller lägga till beteende för varje underklass — t.ex. hur ORM:er förvandlar klassattribut till databaskolumner.
En deskriptor är ett objekt som definierar __get__/__set__/__delete__, vilket kontrollerar vad som händer när ett attribut läses eller skrivs:
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
Deskriptorer avbryter attributåtkomst — vilket möjliggör validering, beräknade attribut och lat inladdning. I själva verket, @property, @classmethod och @staticmethod är alla implementerade som deskriptorer.
Metaclasses → Django/SQLAlchemy ORM models, ABCs, Pydantic, framework registration
Descriptors → @property, ORM fields, validation libraries, lazy attributes
Metaklasser och deskriptorer är meta-programmerings-mekanismen bakom mycket av Pythons mest kraftfulla bibliotek — ORM:er som förvandlar klassdefinitioner till databasscheman, valideringsramverk som Pydantic, och även inbyggda funktioner som @property (en deskriptor).
Även om de flesta utvecklare sällan skriver dem direkt (och inte bör ta till dem när enklare verktyg räcker till), ger förståelsen för dem klarhet kring hur dessa ramverk uppnår sin "magi" för klassnivåanpassning och kontrollerad attributåtkomst.
Den här kunskapen är värdefull för avancerad biblioteksdesign, felsökning av ramverks beteende och djup förståelse för Pythons objektmodell — det är det som skiljer mellan medel- och expertnivå förståelse av språket.
Ett bibliotek med IT-intervjufrågor och detaljerade svar — från Junior till Senior.
Donera