Python 属性描述符：从原理到 ORM 实践详解

Ne0inhk

— 10 min read
Python 属性描述符：从原理到 ORM 实践详解

Python 属性描述符：从原理到 ORM 实践详解

在Python的面向对象编程中，属性的控制与查找是核心知识点之一，而属性描述符作为实现属性精细化控制的重要工具，更是ORM框架（如Django Model、SQLAlchemy）的底层实现基础。本文将从实际开发痛点出发，深入讲解属性描述符的定义、分类、使用方法，以及它在Python属性查找过程中的核心作用，帮你彻底理解这一重要特性。

一、为什么需要属性描述符？从property的局限性说起

在Python中，我们常用property装饰器来控制属性的获取、设置和删除过程，实现对属性的简单校验和逻辑封装。比如我们要限制用户类中age为整数类型、name为字符串类型，使用property可以轻松实现：

 class User: @property def age(self): return self._age @age.setter def age(self, value): if not isinstance(value, int): raise ValueError("int value need") self._age = value

但在实际开发中，尤其是在ORM场景下，一个数据模型类往往对应数据库的一张表，包含十几个甚至几十个字段，其中很多字段会有相同的类型校验规则（如name、email、mobile都是字符串类型，age、id都是整数类型）。

如果继续使用property，我们需要为每个字段编写重复的getter和setter方法，这会导致代码冗余度极高，维护成本大幅增加。为了解决代码复用的问题，Python为我们提供了更优雅的解决方案——属性描述符。

二、属性描述符的定义与基础使用

2.1 什么是属性描述符？

属性描述符的定义非常简单：一个自定义类，只要实现了__get__、__set__、__delete__三个魔法函数中的任意一个，这个类就是属性描述符。通过这个类的实例，我们可以将属性的控制逻辑封装起来，实现多字段的逻辑复用。

2.2 基础实现：整数类型校验描述符

我们以实现整数类型校验为例，编写第一个属性描述符，解决多个整数类型字段的校验复用问题：

 import numbers class IntField: # 实现__set__方法，完成类型校验 def __set__(self, instance, value): # 校验是否为整数类型 if not isinstance(value, numbers.Integral): raise ValueError("int value need") # 校验是否为正数 if value < 0: raise ValueError("positive value need") # 将值保存到描述符自身实例，避免死循环 self.value = value # 实现__get__方法，获取属性值 def __get__(self, instance, owner): return self.value

2.3 在模型类中使用描述符

定义好描述符后，我们可以在模型类中直接将其作为类属性使用，实现对字段的统一控制：

 class User: # 将IntField实例作为类属性，实现age的整数校验 age = IntField() # 测试正常赋值 user = User() user.age = 30 print(user.age) # 输出：30 # 测试赋值非整数，抛出异常 user.age = "abc" # 抛出ValueError: int value need # 测试赋值负数，抛出异常 user.age = -5 # 抛出ValueError: positive value need

2.4 关键注意点：避免赋值死循环

在实现__set__方法时，切忌将值保存到传入的instance（模型类实例）中，比如写成instance.age = value。

因为当我们对instance.age赋值时，Python会再次调用描述符的__set__方法，从而陷入无限递归，最终导致栈溢出。正确的做法是将值保存到描述符自身的实例（self）中，在__get__方法中再从self中取出。

三、属性描述符的分类：数据描述符与非数据描述符

根据实现的魔法函数不同，属性描述符分为两类，二者的核心区别在于在Python属性查找过程中的优先级不同，这也是理解属性查找的关键。

3.1 数据描述符（Data Descriptor）

实现了__get__和__set__方法的描述符称为数据描述符，是我们开发中最常用的类型，比如上文的IntField就是典型的数据描述符。

数据描述符拥有最高的属性查找优先级，会覆盖实例自身的属性值。

3.2 非数据描述符（Non-data Descriptor）

只实现了__get__方法（未实现__set__）的描述符称为非数据描述符，常见的例子是Python中的函数（函数实现了__get__方法，成为绑定方法）。

非数据描述符的优先级低于实例自身的属性值，仅在实例中未找到该属性时才会生效。

四、Python完整的属性查找过程：描述符的核心作用

在学习属性描述符之前，我们对Python属性查找的认知通常是：先查找实例的__dict__，再查找类的__dict__，最后查找基类的__dict__。

但当引入属性描述符后，Python的属性查找过程会变得更加精细，而这一过程也是getattr和__getattribute__两个魔法函数的底层逻辑。当我们使用实例.属性（如user.age）的方式访问属性时，等价于调用全局函数getattr(实例, 属性名)，其完整的查找顺序如下：

4.1 核心查找顺序

  1. 调用__getattribute__：无论属性是否存在，都会先调用类中的__getattribute__方法，这是属性查找的入口；
  2. 检查数据描述符：在实例的类或基类的__dict__中查找该属性，若该属性是数据描述符，则直接调用其__get__方法，返回结果；
  3. 检查实例自身属性：在实例的__dict__中查找该属性，若找到则直接返回值；
  4. 检查非数据描述符/类属性：在实例的类或基类的__dict__中查找该属性：
    • 若为非数据描述符，调用其__get__方法返回结果；
    • 若不是描述符，直接返回类属性的值；
  5. 调用__getattr__：若以上步骤均未找到属性，会触发AttributeError，此时若类中定义了__getattr__方法，会调用该方法；
  6. 抛出异常：若未定义__getattr__，则直接抛出AttributeError。

4.2 关键验证：数据描述符覆盖实例属性

数据描述符的优先级高于实例自身属性，即使我们手动给实例的__dict__添加该属性，访问时仍会优先调用数据描述符的__get__方法：

 # 延续上文的IntField和User user = User() user.age = 30 # 实例的__dict__为空，值保存在描述符实例中 print(user.__dict__) # 输出：{} # 手动给实例__dict__添加age属性 user.__dict__['age'] = "abc" # 访问时仍调用数据描述符，因未给描述符赋值，会报错 print(user.age) # 报错：IntField has no attribute 'value'

4.3 关键验证：非数据描述符被实例属性覆盖

若将IntField改为非数据描述符（仅实现__get__），则实例自身的属性会覆盖描述符：

 class NonDataIntField: # 仅实现__get__，非数据描述符 def __get__(self, instance, owner): return 10 class User: age = NonDataIntField() user = User() # 实例赋值age，覆盖非数据描述符 user.age = 30 print(user.age) # 输出：30，而非描述符的10

五、属性描述符的实际应用：ORM框架的底层基础

属性描述符的核心价值在于属性逻辑的封装与复用，这也是所有Python ORM框架的底层实现原理。

在Django Model、SQLAlchemy等框架中，我们定义的CharField、IntegerField、EmailField等字段，本质上都是封装了不同校验规则和数据库映射逻辑的属性描述符：

  • 字段的类型校验（如CharField限制字符串）由描述符的__set__方法实现；
  • 字段的数据库字段映射（如字段长度、是否为主键）由描述符的初始化参数实现；
  • 字段的取值逻辑由描述符的__get__方法实现。

通过属性描述符，ORM框架将数据库表的字段与Python类的属性进行了完美映射，让我们可以用面向对象的方式操作数据库，而无需编写重复的校验和映射代码。

六、总结

  1. 属性描述符的诞生：为解决property在多字段场景下的代码冗余问题，实现属性控制逻辑的复用；
  2. 定义规则：实现__get__、__set__、__delete__任一方法的自定义类，即为属性描述符；
  3. 两大分类：实现__get__+__set__的数据描述符（高优先级）、仅实现__get__的非数据描述符（低优先级）；
  4. 属性查找核心：实例.属性的查找顺序为「数据描述符 → 实例属性 → 非数据描述符/类属性 → getattr → 异常」；
  5. 实际价值：Python ORM框架的底层核心，是实现属性精细化控制和数据库映射的关键工具。

掌握属性描述符，不仅能让我们写出更优雅、更易维护的Python代码，更能帮助我们理解主流框架的底层实现逻辑，提升Python面向对象编程的核心能力。下一篇文章，我们将继续深入Python的魔法函数，讲解元类编程中__new__和__init__的核心区别与使用场景。

Python 属性描述符：从原理到 ORM 实践详解

Read more

相干伊辛机在医疗领域及医疗AI领域的应用前景分析

相干伊辛机在医疗领域及医疗AI领域的应用前景分析

引言：当量子退火遇见精准医疗 21世纪的医疗健康领域正经历着一场由数据驱动的深刻变革。从基因组学到医学影像，从电子病历到可穿戴设备，医疗数据正以指数级增长。然而，海量数据的背后是经典的“组合爆炸”难题——例如，药物分子中电子的量子态搜索、多模态医疗影像的特征匹配、个性化治疗方案的组合优化等，这些问题对经典计算机，甚至对传统的超级计算机而言，都构成了难以逾越的计算壁垒。 相干伊辛机（Coherent Ising Machine, CIM）作为一种基于量子光学和量子退火原理的新型计算范式，为解决这类组合优化问题提供了全新的物理路径。它不同于通用量子计算机（如超导门模型），CIM是专为寻找复杂伊辛模型基态而设计的专用量子处理器。本文将深入探讨CIM如何凭借其强大的并行搜索能力，在药物研发、精准诊断、个性化治疗以及医疗AI优化等领域，从计算底层赋能医疗科技的未来。 一、 相干伊辛机：从统计物理到量子计算引擎 要理解CIM在医疗领域的潜力，首先需要深入其物理内核，厘清它如何通过光的相干性来高效解决现实世界的复杂问题。 1. 伊辛模型：组合优化的“通用语言” 伊辛模型最初源于统计物理学

By Ne0inhk

让 AI 记住一切：OpenClaw 自我进化实录

> 从 70% Token 自动压缩到"每日三省吾身"，打造一个真正会学习的 AI 助手 --- ## 背景 用 OpenClaw 一段时间后，发现两个痛点： 1. **会话太长，Token 爆满** — 聊着聊着就忘了前面的内容 2. **每次重启都是白纸** — 知识没有沉淀，重复问同样的问题 能不能让 AI 自己管理记忆，像人一样"三省吾身"？ 折腾了一天，终于搞定了。 --- ## 一、Token 自动压缩：70% 就动手 ### 问题 OpenClaw 默认的 auto-compaction 是在 context window 接近满载时才触发。但这时候已经太晚了—

By Ne0inhk
【AI】大语言模型 (LLM) 产品的开发流程参考

【AI】大语言模型 (LLM) 产品的开发流程参考

🔥小龙报：个人主页 🎬作者简介：C++研发，嵌入式，机器人等方向学习者 ❄️个人专栏：《AI》 ✨ 永远相信美好的事情即将发生 文章目录 * 前言 * 一、个人开发者的大语言模型 (LLM) 产品的开发流程参考 * 1.1 准备工作 * 1.2 构建知识库索引 * 1.3 定制大模型 * 1.4 用户交互界面开发 * 1.5 测试与部署上线 * 1.6 监控结果 * 二、组织/商用级别的大语言模型 (LLM) 产品开发流程参考 * 2.1 准备工作 * 2.2 定制大模型 * 2.3 模型部署与集成 * 2.4

By Ne0inhk

AI 编程助手三强争霸：OpenCode vs Claude Code vs Kimi Code CLI 深度对比

摘要：2025 年 AI 编程工具百花齐放，OpenCode 以开源自由席卷开发者社区，Claude Code 凭官方背书稳居高端市场，Kimi Code CLI 靠超长上下文和中文优势异军突起。本文从功能、成本、适用场景等 8 个维度深度拆解三款工具，帮你找到最适合自己的 AI 编程搭档。 一、工具概览 1.1 OpenCode —— 开源界的"瑞士军刀" 属性详情开发商anomalyco 社区开源协议100% 开源GitHub Stars10万+核心卖点模型自由、LSP 内置、多会话并行费用免费（自备 API Key） OpenCode 是 2024 年底爆火的开源 AI 编程 Agent，短短数月斩获

By Ne0inhk