python猴子补丁好处_什么是猴子补丁？

What is a monkey patch?

简单地说，monkey patching就是在程序运行时对模块或类进行更改。

使用示例

熊猫文档中有一个猴子修补的例子：import pandas as pd

def just_foo_cols(self):

"""Get a list of column names containing the string 'foo'

"""

return [x for x in self.columns if 'foo' in x]

pd.DataFrame.just_foo_cols = just_foo_cols # monkey-patch the DataFrame class

df = pd.DataFrame([list(range(4))], columns=["A","foo","foozball","bar"])

df.just_foo_cols()

del pd.DataFrame.just_foo_cols # you can also remove the new method

要分解此问题，首先导入模块：import pandas as pd

接下来，我们创建一个方法定义，它在任何类定义的范围之外都是未绑定和自由的(因为函数和未绑定方法之间的区别是毫无意义的，所以Python 3取消了未绑定方法)：def just_foo_cols(self):

"""Get a list of column names containing the string 'foo'

"""

return [x for x in self.columns if 'foo' in x]

接下来，我们只需将该方法附加到要在其上使用的类：pd.DataFrame.just_foo_cols = just_foo_cols # monkey-patch the DataFrame class

然后我们可以在类的实例上使用该方法，完成后删除该方法：df = pd.DataFrame([list(range(4))], columns=["A","foo","foozball","bar"])

df.just_foo_cols()

del pd.DataFrame.just_foo_cols # you can also remove the new method

名称损坏警告

如果您使用名称管理(在属性前面加上双下划线，这会更改名称，我不建议这样做)，那么如果您这样做，就必须手动命名管理。既然我不推荐使用mangling这个名字，我就不在这里演示了。

测试示例

例如，我们如何在测试中使用这些知识？

假设我们需要模拟对外部数据源的数据检索调用，该调用会导致错误，因为我们希望在这种情况下确保正确的行为。我们可以对数据结构进行猴子修补以确保这种行为。(因此使用丹尼尔·罗斯曼建议的类似方法名：)import datasource

def get_data(self):

'''monkey patch datasource.Structure with this to simulate error'''

raise datasource.DataRetrievalError

datasource.Structure.get_data = get_data

当我们测试它的行为依赖于这个方法引发错误时，如果正确实现，我们将在测试结果中得到这个行为。

执行上述操作将在流程的生命周期内更改Structure对象，因此您将希望在unittests中使用设置和拆卸来避免执行此操作，例如：def setUp(self):

# retain a pointer to the actual real method:

self.real_get_data = datasource.Structure.get_data

# monkey patch it:

datasource.Structure.get_data = get_data

def tearDown(self):

# give the real method back to the Structure object:

datasource.Structure.get_data = self.real_get_data

(虽然上面的方法很好，但是使用mock库修补代码可能是一个更好的主意。mock的{}decorator比执行上述操作更不容易出错，这将需要更多的代码行，从而有更多的机会引入错误。我还没有审查mock中的代码，但我想它也会以类似的方式使用monkey补丁。)