Descriptor Guide
****************

Auteur:
   Raymond Hettinger

Contact:
   <python at rcn dot com>


Sommaire
^^^^^^^^

* Descriptor Guide

  * Introduction

    * Un exemple simple : un descripteur qui renvoie une constante

    * Recherches dynamiques

    * Attributs gérés

    * Noms personnalisés

    * Réflexions finales

  * Exemple complet pratique

    * Classe « validateur »

    * Validateurs personnalisés

    * Application pratique

  * Tutoriel technique

    * Résumé

    * Définition et introduction

    * Protocole descripteur

    * Présentation de l'appel de descripteur

    * Appel depuis une instance

    * Appel depuis une classe

    * Appel depuis super

    * Résumé de la logique d'appel

    * Notification automatique des noms

    * Exemple d'ORM

  * Équivalents en Python pur

    * Propriétés

    * Fonctions et méthodes

    * Types de méthodes

    * Méthodes statiques

    * Méthodes de classe

    * Objets membres et *__slots__*

Les *descripteurs* permettent de personnaliser la recherche, le
stockage et la suppression des attributs des objets.

Ce guide comporte quatre parties principales :

1. l'« introduction » donne un premier aperçu, en partant d'exemples
   simples, puis en ajoutant une fonctionnalité à la fois. Commencez
   par là si vous débutez avec les descripteurs ;

2. la deuxième partie montre un exemple de descripteur complet et
   pratique. Si vous connaissez déjà les bases, commencez par là ;

3. la troisième partie fournit un didacticiel plus technique qui
   décrit de manière détaillée comment fonctionnent les descripteurs.
   La plupart des gens n'ont pas besoin de ce niveau de détail ;

4. la dernière partie contient des équivalents en pur Python des
   descripteurs natifs écrits en C. Lisez ceci si vous êtes curieux de
   savoir comment les fonctions se transforment en méthodes liées ou
   si vous voulez connaître l'implémentation d'outils courants comme
   "classmethod()", "staticmethod()", "property()" et *__slots__*.


Introduction
============

Dans cette introduction, nous commençons par l'exemple le plus simple
possible, puis nous ajoutons de nouvelles fonctionnalités une par une.


Un exemple simple : un descripteur qui renvoie une constante
------------------------------------------------------------

The "Ten" class is a descriptor whose "__get__()" method always
returns the constant "10":

   class Ten:
       def __get__(self, obj, objtype=None):
           return 10

Pour utiliser le descripteur, il doit être stocké en tant que variable
de classe dans une autre classe :

   class A:
       x = 5                       # Regular class attribute
       y = Ten()                   # Descriptor instance

Une session interactive montre la différence entre la recherche
d'attribut normale et la recherche *via* un descripteur :

   >>> a = A()                     # Make an instance of class A
   >>> a.x                         # Normal attribute lookup
   5
   >>> a.y                         # Descriptor lookup
   10

Dans la recherche d'attribut "a.x", l'opérateur « point » trouve "'x':
5" dans le dictionnaire de classe. Dans la recherche "a.y",
l'opérateur « point » trouve une instance de descripteur, reconnue par
sa méthode "__get__". L'appel de cette méthode renvoie "10".

Notez que la valeur "10" n'est stockée ni dans le dictionnaire de
classe ni dans le dictionnaire d'instance. Non, la valeur "10" est
calculée à la demande.

Cet exemple montre comment fonctionne un descripteur simple, mais il
n'est pas très utile. Pour récupérer des constantes, une recherche
d'attribut normale est préférable.

Dans la section suivante, nous allons créer quelque chose de plus
utile, une recherche dynamique.


Recherches dynamiques
---------------------

Les descripteurs intéressants exécutent généralement des calculs au
lieu de renvoyer des constantes :

   import os

   class DirectorySize:

       def __get__(self, obj, objtype=None):
           return len(os.listdir(obj.dirname))

   class Directory:

       size = DirectorySize()              # Descriptor instance

       def __init__(self, dirname):
           self.dirname = dirname          # Regular instance attribute

Une session interactive montre que la recherche est dynamique — elle
calcule des réponses différentes, mises à jour à chaque fois :

   >>> s = Directory('songs')
   >>> g = Directory('games')
   >>> s.size                              # The songs directory has twenty files
   20
   >>> g.size                              # The games directory has three files
   3
   >>> os.remove('games/chess')            # Delete a game
   >>> g.size                              # File count is automatically updated
   2

Besides showing how descriptors can run computations, this example
also reveals the purpose of the parameters to "__get__()".  The *self*
parameter is *size*, an instance of *DirectorySize*.  The *obj*
parameter is either *g* or *s*, an instance of *Directory*.  It is the
*obj* parameter that lets the "__get__()" method learn the target
directory.  The *objtype* parameter is the class *Directory*.


Attributs gérés
---------------

A popular use for descriptors is managing access to instance data.
The descriptor is assigned to a public attribute in the class
dictionary while the actual data is stored as a private attribute in
the instance dictionary.  The descriptor's "__get__()" and "__set__()"
methods are triggered when the public attribute is accessed.

Dans l'exemple qui suit, *age* est l'attribut public et *_age* est
l'attribut privé. Lors de l'accès à l'attribut public, le descripteur
journalise la recherche ou la mise à jour :

   import logging

   logging.basicConfig(level=logging.INFO)

   class LoggedAgeAccess:

       def __get__(self, obj, objtype=None):
           value = obj._age
           logging.info('Accessing %r giving %r', 'age', value)
           return value

       def __set__(self, obj, value):
           logging.info('Updating %r to %r', 'age', value)
           obj._age = value

   class Person:

       age = LoggedAgeAccess()             # Descriptor instance

       def __init__(self, name, age):
           self.name = name                # Regular instance attribute
           self.age = age                  # Calls __set__()

       def birthday(self):
           self.age += 1                   # Calls both __get__() and __set__()

Une session interactive montre que tous les accès à l'attribut géré
*age* sont consignés, mais que rien n'est journalisé pour l'attribut
normal *name* :

   >>> mary = Person('Mary M', 30)         # The initial age update is logged
   INFO:root:Updating 'age' to 30
   >>> dave = Person('David D', 40)
   INFO:root:Updating 'age' to 40

   >>> vars(mary)                          # The actual data is in a private attribute
   {'name': 'Mary M', '_age': 30}
   >>> vars(dave)
   {'name': 'David D', '_age': 40}

   >>> mary.age                            # Access the data and log the lookup
   INFO:root:Accessing 'age' giving 30
   30
   >>> mary.birthday()                     # Updates are logged as well
   INFO:root:Accessing 'age' giving 30
   INFO:root:Updating 'age' to 31

   >>> dave.name                           # Regular attribute lookup isn't logged
   'David D'
   >>> dave.age                            # Only the managed attribute is logged
   INFO:root:Accessing 'age' giving 40
   40

Un problème majeur avec cet exemple est que le nom privé *_age* est
écrit en dur dans la classe *LoggedAgeAccess*. Cela signifie que
chaque instance ne peut avoir qu'un seul attribut journalisé et que
son nom est immuable. Dans l'exemple suivant, nous allons résoudre ce
problème.


Noms personnalisés
------------------

Lorsqu'une classe utilise des descripteurs, elle peut informer chaque
descripteur du nom de variable utilisé.

In this example, the "Person" class has two descriptor instances,
*name* and *age*.  When the "Person" class is defined, it makes a
callback to "__set_name__()" in *LoggedAccess* so that the field names
can be recorded, giving each descriptor its own *public_name* and
*private_name*:

   import logging

   logging.basicConfig(level=logging.INFO)

   class LoggedAccess:

       def __set_name__(self, owner, name):
           self.public_name = name
           self.private_name = '_' + name

       def __get__(self, obj, objtype=None):
           value = getattr(obj, self.private_name)
           logging.info('Accessing %r giving %r', self.public_name, value)
           return value

       def __set__(self, obj, value):
           logging.info('Updating %r to %r', self.public_name, value)
           setattr(obj, self.private_name, value)

   class Person:

       name = LoggedAccess()                # First descriptor instance
       age = LoggedAccess()                 # Second descriptor instance

       def __init__(self, name, age):
           self.name = name                 # Calls the first descriptor
           self.age = age                   # Calls the second descriptor

       def birthday(self):
           self.age += 1

An interactive session shows that the "Person" class has called
"__set_name__()" so that the field names would be recorded.  Here we
call "vars()" to look up the descriptor without triggering it:

   >>> vars(vars(Person)['name'])
   {'public_name': 'name', 'private_name': '_name'}
   >>> vars(vars(Person)['age'])
   {'public_name': 'age', 'private_name': '_age'}

La nouvelle classe enregistre désormais l'accès à la fois à *name* et
*age* :

   >>> pete = Person('Peter P', 10)
   INFO:root:Updating 'name' to 'Peter P'
   INFO:root:Updating 'age' to 10
   >>> kate = Person('Catherine C', 20)
   INFO:root:Updating 'name' to 'Catherine C'
   INFO:root:Updating 'age' to 20

Les deux instances de *Person* ne contiennent que les noms privés :

   >>> vars(pete)
   {'_name': 'Peter P', '_age': 10}
   >>> vars(kate)
   {'_name': 'Catherine C', '_age': 20}


Réflexions finales
------------------

A *descriptor* is what we call any object that defines "__get__()",
"__set__()", or "__delete__()".

Optionally, descriptors can have a "__set_name__()" method.  This is
only used in cases where a descriptor needs to know either the class
where it was created or the name of class variable it was assigned to.
(This method, if present, is called even if the class is not a
descriptor.)

Les descripteurs sont invoqués par l'opérateur « point » lors de la
recherche d'attribut. Si on accède indirectement au descripteur avec
"vars(some_class)[descriptor_name]", l'instance du descripteur est
renvoyée sans l'invoquer.

Les descripteurs ne fonctionnent que lorsqu'ils sont utilisés comme
variables de classe. Lorsqu'ils sont placés dans des instances, ils
n'ont aucun effet.

La principale raison d'être des descripteurs est de fournir un point
d'entrée permettant aux objets stockés dans des variables de classe de
contrôler ce qui se passe lors de la recherche d'attributs.

Traditionnellement, la classe appelante contrôle ce qui se passe
pendant la recherche. Les descripteurs inversent cette relation et
permettent aux données recherchées d'avoir leur mot à dire.

Les descripteurs sont utilisés partout dans le langage. C'est ainsi
que les fonctions se transforment en méthodes liées. Les outils
courants tels que "classmethod()", "staticmethod()", "property()" et
"functools.cached_property()" sont tous implémentés en tant que
descripteurs.


Exemple complet pratique
========================

Dans cet exemple, nous créons un outil pratique et puissant pour
localiser les bogues de corruption de données notoirement difficiles à
trouver.


Classe « validateur »
---------------------

Un validateur est un descripteur pour l'accès aux attributs gérés.
Avant de stocker des données, il vérifie que la nouvelle valeur
respecte différentes restrictions de type et de plage. Si ces
restrictions ne sont pas respectées, il lève une exception pour
empêcher la corruption des données à la source.

This "Validator" class is both an *abstract base class* and a managed
attribute descriptor:

   from abc import ABC, abstractmethod

   class Validator(ABC):

       def __set_name__(self, owner, name):
           self.private_name = '_' + name

       def __get__(self, obj, objtype=None):
           return getattr(obj, self.private_name)

       def __set__(self, obj, value):
           self.validate(value)
           setattr(obj, self.private_name, value)

       @abstractmethod
       def validate(self, value):
           pass

Custom validators need to inherit from "Validator" and must supply a
"validate()" method to test various restrictions as needed.


Validateurs personnalisés
-------------------------

Voici trois utilitaires concrets de validation de données :

1. "OneOf" verifies that a value is one of a restricted set of
   options.

2. "Number" verifies that a value is either an "int" or "float".
   Optionally, it verifies that a value is between a given minimum or
   maximum.

3. "String" verifies that a value is a "str".  Optionally, it
   validates a given minimum or maximum length.  It can validate a
   user-defined predicate as well.

   class OneOf(Validator):

       def __init__(self, *options):
           self.options = set(options)

       def validate(self, value):
           if value not in self.options:
               raise ValueError(
                   f'Expected {value!r} to be one of {self.options!r}'
               )

   class Number(Validator):

       def __init__(self, minvalue=None, maxvalue=None):
           self.minvalue = minvalue
           self.maxvalue = maxvalue

       def validate(self, value):
           if not isinstance(value, (int, float)):
               raise TypeError(f'Expected {value!r} to be an int or float')
           if self.minvalue is not None and value < self.minvalue:
               raise ValueError(
                   f'Expected {value!r} to be at least {self.minvalue!r}'
               )
           if self.maxvalue is not None and value > self.maxvalue:
               raise ValueError(
                   f'Expected {value!r} to be no more than {self.maxvalue!r}'
               )

   class String(Validator):

       def __init__(self, minsize=None, maxsize=None, predicate=None):
           self.minsize = minsize
           self.maxsize = maxsize
           self.predicate = predicate

       def validate(self, value):
           if not isinstance(value, str):
               raise TypeError(f'Expected {value!r} to be a str')
           if self.minsize is not None and len(value) < self.minsize:
               raise ValueError(
                   f'Expected {value!r} to be no smaller than {self.minsize!r}'
               )
           if self.maxsize is not None and len(value) > self.maxsize:
               raise ValueError(
                   f'Expected {value!r} to be no bigger than {self.maxsize!r}'
               )
           if self.predicate is not None and not self.predicate(value):
               raise ValueError(
                   f'Expected {self.predicate} to be true for {value!r}'
               )


Application pratique
--------------------

Voici comment les validateurs de données peuvent être utilisés par une
classe réelle :

   class Component:

       name = String(minsize=3, maxsize=10, predicate=str.isupper)
       kind = OneOf('wood', 'metal', 'plastic')
       quantity = Number(minvalue=0)

       def __init__(self, name, kind, quantity):
           self.name = name
           self.kind = kind
           self.quantity = quantity

Les descripteurs empêchent la création d'instances non valides :

   >>> Component('Widget', 'metal', 5)      # Blocked: 'Widget' is not all uppercase
   Traceback (most recent call last):
       ...
   ValueError: Expected <method 'isupper' of 'str' objects> to be true for 'Widget'

   >>> Component('WIDGET', 'metle', 5)      # Blocked: 'metle' is misspelled
   Traceback (most recent call last):
       ...
   ValueError: Expected 'metle' to be one of {'metal', 'plastic', 'wood'}

   >>> Component('WIDGET', 'metal', -5)     # Blocked: -5 is negative
   Traceback (most recent call last):
       ...
   ValueError: Expected -5 to be at least 0

   >>> Component('WIDGET', 'metal', 'V')    # Blocked: 'V' isn't a number
   Traceback (most recent call last):
       ...
   TypeError: Expected 'V' to be an int or float

   >>> c = Component('WIDGET', 'metal', 5)  # Allowed:  The inputs are valid


Tutoriel technique
==================

Ce qui suit est un tutoriel plus technique relatif aux mécanismes et
détails de fonctionnement des descripteurs.


Résumé
------

Ce tutoriel définit des descripteurs, résume le protocole et montre
comment les descripteurs sont appelés. Il fournit un exemple montrant
comment fonctionnent les correspondances relationnelles entre objets.

L'apprentissage des descripteurs permet non seulement d'accéder à un
ensemble d'outils plus vaste, mais aussi de mieux comprendre le
fonctionnement de Python.


Définition et introduction
--------------------------

In general, a descriptor is an attribute value that has one of the
methods in the descriptor protocol.  Those methods are "__get__()",
"__set__()", and "__delete__()".  If any of those methods are defined
for an attribute, it is said to be a *descriptor*.

Le comportement par défaut pour l'accès aux attributs consiste à
obtenir, définir ou supprimer l'attribut dans le dictionnaire d'un
objet. Par exemple, pour chercher "a.x" Python commence par chercher
"a.__dict__['x']", puis "type(a).__dict__['x']", et continue la
recherche en utilisant la MRO (l'ordre de résolution des méthodes) de
"type(a)". Si la valeur recherchée est un objet définissant l'une des
méthodes de descripteur, Python remplace le comportement par défaut
par un appel à la méthode du descripteur. Le moment où cela se produit
dans la chaîne de recherche dépend des méthodes définies par le
descripteur.

Descriptors are a powerful, general purpose protocol.  They are the
mechanism behind properties, methods, static methods, class methods,
and "super()".  They are used throughout Python itself.  Descriptors
simplify the underlying C code and offer a flexible set of new tools
for everyday Python programs.


Protocole descripteur
---------------------

"descr.__get__(self, obj, type=None)"

"descr.__set__(self, obj, value)"

"descr.__delete__(self, obj)"

C'est tout ce qu'il y a à faire. Définissez n'importe laquelle de ces
méthodes et un objet est considéré comme un descripteur ; il peut
alors remplacer le comportement par défaut lorsqu'il est recherché en
tant qu'attribut.

If an object defines "__set__()" or "__delete__()", it is considered a
data descriptor.  Descriptors that only define "__get__()" are called
non-data descriptors (they are often used for methods but other uses
are possible).

Les descripteurs de données et les descripteurs hors-données diffèrent
dans la façon dont les changements de comportement sont calculés en ce
qui concerne les entrées du dictionnaire d'une instance. Si le
dictionnaire d'une instance comporte une entrée portant le même nom
qu'un descripteur de données, le descripteur de données est
prioritaire. Si le dictionnaire d'une instance comporte une entrée
portant le même nom qu'un descripteur hors-données, l'entrée du
dictionnaire a la priorité.

To make a read-only data descriptor, define both "__get__()" and
"__set__()" with the "__set__()" raising an "AttributeError" when
called.  Defining the "__set__()" method with an exception raising
placeholder is enough to make it a data descriptor.


Présentation de l'appel de descripteur
--------------------------------------

Un descripteur peut être appelé directement par "desc.__get__(obj)" ou
"desc.__get__(None, cls)".

Mais il est plus courant qu'un descripteur soit invoqué
automatiquement à partir d'un accès à un attribut.

The expression "obj.x" looks up the attribute "x" in the chain of
namespaces for "obj".  If the search finds a descriptor outside of the
instance "__dict__", its "__get__()" method is invoked according to
the precedence rules listed below.

Les détails de l'appel varient selon que "obj" est un objet, une
classe ou une instance de *super*.


Appel depuis une instance
-------------------------

Instance lookup scans through a chain of namespaces giving data
descriptors the highest priority, followed by instance variables, then
non-data descriptors, then class variables, and lastly "__getattr__()"
if it is provided.

Si un descripteur est trouvé pour "a.x", alors il est appelé par
"desc.__get__(a, type(a))".

La logique d'une recherche « après un point » se trouve dans
"object.__getattribute__()". Voici un équivalent en Python pur :

   def find_name_in_mro(cls, name, default):
       "Emulate _PyType_Lookup() in Objects/typeobject.c"
       for base in cls.__mro__:
           if name in vars(base):
               return vars(base)[name]
       return default

   def object_getattribute(obj, name):
       "Emulate PyObject_GenericGetAttr() in Objects/object.c"
       null = object()
       objtype = type(obj)
       cls_var = find_name_in_mro(objtype, name, null)
       descr_get = getattr(type(cls_var), '__get__', null)
       if descr_get is not null:
           if (hasattr(type(cls_var), '__set__')
               or hasattr(type(cls_var), '__delete__')):
               return descr_get(cls_var, obj, objtype)     # data descriptor
       if hasattr(obj, '__dict__') and name in vars(obj):
           return vars(obj)[name]                          # instance variable
       if descr_get is not null:
           return descr_get(cls_var, obj, objtype)         # non-data descriptor
       if cls_var is not null:
           return cls_var                                  # class variable
       raise AttributeError(name)

Note, there is no "__getattr__()" hook in the "__getattribute__()"
code.  That is why calling "__getattribute__()" directly or with
"super().__getattribute__" will bypass "__getattr__()" entirely.

Instead, it is the dot operator and the "getattr()" function that are
responsible for invoking "__getattr__()" whenever "__getattribute__()"
raises an "AttributeError".  Their logic is encapsulated in a helper
function:

   def getattr_hook(obj, name):
       "Emulate slot_tp_getattr_hook() in Objects/typeobject.c"
       try:
           return obj.__getattribute__(name)
       except AttributeError:
           if not hasattr(type(obj), '__getattr__'):
               raise
       return type(obj).__getattr__(obj, name)             # __getattr__


Appel depuis une classe
-----------------------

The logic for a dotted lookup such as "A.x" is in
"type.__getattribute__()".  The steps are similar to those for
"object.__getattribute__()" but the instance dictionary lookup is
replaced by a search through the class's *method resolution order*.

Si un descripteur est trouvé, il est appelé par "desc.__get__(None,
A)".

The full C implementation can be found in "type_getattro()" and
"_PyType_Lookup()" in Objects/typeobject.c.


Appel depuis super
------------------

The logic for super's dotted lookup is in the "__getattribute__()"
method for object returned by "super()".

La recherche d'attribut "super(A, obj).m" recherche dans
"obj.__class__.__mro__" la classe "B" qui suit immédiatement A, et
renvoie "B.__dict__['m'].__get__(obj, A)". Si ce n'est pas un
descripteur, "m" est renvoyé inchangé.

The full C implementation can be found in "super_getattro()" in
Objects/typeobject.c.  A pure Python equivalent can be found in
Guido's Tutorial.


Résumé de la logique d'appel
----------------------------

The mechanism for descriptors is embedded in the "__getattribute__()"
methods for "object", "type", and "super()".

Les points importants à retenir sont :

* Descriptors are invoked by the "__getattribute__()" method.

* les classes héritent ce mécanisme de "object", "type" ou "super()" ;

* Overriding "__getattribute__()" prevents automatic descriptor calls
  because all the descriptor logic is in that method.

* "object.__getattribute__()" and "type.__getattribute__()" make
  different calls to "__get__()".  The first includes the instance and
  may include the class.  The second puts in "None" for the instance
  and always includes the class.

* les descripteurs de données sont toujours prioritaires sur les
  dictionnaires d'instances.

* les descripteurs hors-données peuvent céder la priorité aux
  dictionnaires d'instance.


Notification automatique des noms
---------------------------------

Sometimes it is desirable for a descriptor to know what class variable
name it was assigned to.  When a new class is created, the "type"
metaclass scans the dictionary of the new class.  If any of the
entries are descriptors and if they define "__set_name__()", that
method is called with two arguments.  The *owner* is the class where
the descriptor is used, and the *name* is the class variable the
descriptor was assigned to.

The implementation details are in "type_new()" and "set_names()" in
Objects/typeobject.c.

Since the update logic is in "type.__new__()", notifications only take
place at the time of class creation.  If descriptors are added to the
class afterwards, "__set_name__()" will need to be called manually.


Exemple d'ORM
-------------

Le code suivant est une ossature simplifiée montrant comment les
descripteurs de données peuvent être utilisés pour implémenter une
correspondance objet-relationnel.

L'idée essentielle est que les données sont stockées dans une base de
données externe. Les instances Python ne contiennent que les clés des
tables de la base de données. Les descripteurs s'occupent des
recherches et des mises à jour :

   class Field:

       def __set_name__(self, owner, name):
           self.fetch = f'SELECT {name} FROM {owner.table} WHERE {owner.key}=?;'
           self.store = f'UPDATE {owner.table} SET {name}=? WHERE {owner.key}=?;'

       def __get__(self, obj, objtype=None):
           return conn.execute(self.fetch, [obj.key]).fetchone()[0]

       def __set__(self, obj, value):
           conn.execute(self.store, [value, obj.key])
           conn.commit()

We can use the "Field" class to define models that describe the schema
for each table in a database:

   class Movie:
       table = 'Movies'                    # Table name
       key = 'title'                       # Primary key
       director = Field()
       year = Field()

       def __init__(self, key):
           self.key = key

   class Song:
       table = 'Music'
       key = 'title'
       artist = Field()
       year = Field()
       genre = Field()

       def __init__(self, key):
           self.key = key

Pour utiliser les modèles, connectons-nous d'abord à la base de
données :

   >>> import sqlite3
   >>> conn = sqlite3.connect('entertainment.db')

Une session interactive montre comment les données sont extraites de
la base de données et comment elles peuvent être mises à jour :

   >>> Movie('Star Wars').director
   'George Lucas'
   >>> jaws = Movie('Jaws')
   >>> f'Released in {jaws.year} by {jaws.director}'
   'Released in 1975 by Steven Spielberg'

   >>> Song('Country Roads').artist
   'John Denver'

   >>> Movie('Star Wars').director = 'J.J. Abrams'
   >>> Movie('Star Wars').director
   'J.J. Abrams'


Équivalents en Python pur
=========================

Le protocole descripteur est simple et offre des possibilités très
intéressantes. Plusieurs cas d'utilisation sont si courants qu'ils ont
été regroupés dans des outils intégrés. Les propriétés, les méthodes
liées, les méthodes statiques et les méthodes de classe sont toutes
basées sur le protocole descripteur.


Propriétés
----------

Appeler "property()" construit de façon succincte un descripteur de
données qui déclenche un appel de fonction lors de l'accès à un
attribut. Sa signature est :

   property(fget=None, fset=None, fdel=None, doc=None) -> property

La documentation montre une utilisation caractéristique pour définir
un attribut géré "x" :

   class C:
       def getx(self): return self.__x
       def setx(self, value): self.__x = value
       def delx(self): del self.__x
       x = property(getx, setx, delx, "I'm the 'x' property.")

To see how "property()" is implemented in terms of the descriptor
protocol, here is a pure Python equivalent that implements most of the
core functionality:

   class Property:
       "Emulate PyProperty_Type() in Objects/descrobject.c"

       def __init__(self, fget=None, fset=None, fdel=None, doc=None):
           self.fget = fget
           self.fset = fset
           self.fdel = fdel
           if doc is None and fget is not None:
               doc = fget.__doc__
           self.__doc__ = doc

       def __set_name__(self, owner, name):
           self.__name__ = name

       def __get__(self, obj, objtype=None):
           if obj is None:
               return self
           if self.fget is None:
               raise AttributeError
           return self.fget(obj)

       def __set__(self, obj, value):
           if self.fset is None:
               raise AttributeError
           self.fset(obj, value)

       def __delete__(self, obj):
           if self.fdel is None:
               raise AttributeError
           self.fdel(obj)

       def getter(self, fget):
           return type(self)(fget, self.fset, self.fdel, self.__doc__)

       def setter(self, fset):
           return type(self)(self.fget, fset, self.fdel, self.__doc__)

       def deleter(self, fdel):
           return type(self)(self.fget, self.fset, fdel, self.__doc__)

La fonction native "property()" aide chaque fois qu'une interface
utilisateur a accordé l'accès à un attribut et que des modifications
ultérieures nécessitent l'intervention d'une méthode.

Par exemple, une classe de tableur peut donner accès à une valeur de
cellule via "Cell('b10').value". Les améliorations ultérieures du
programme exigent que la cellule soit recalculée à chaque accès ;
cependant, le programmeur ne veut pas impacter le code client existant
accédant directement à l'attribut. La solution consiste à envelopper
l'accès à l'attribut *value* dans un descripteur de données :

   class Cell:
       ...

       @property
       def value(self):
           "Recalculate the cell before returning value"
           self.recalc()
           return self._value

Either the built-in "property()" or our "Property()" equivalent would
work in this example.


Fonctions et méthodes
---------------------

Les fonctionnalités orientées objet de Python sont construites sur un
environnement basé sur des fonctions. À l'aide de descripteurs hors-
données, les deux sont fusionnés de façon transparente.

Les fonctions placées dans les dictionnaires des classes sont
transformées en méthodes au moment de l'appel. Les méthodes ne
diffèrent des fonctions ordinaires que par le fait que le premier
argument est réservé à l'instance de l'objet.  Par convention Python,
la référence de l'instance est appelée *self*, bien qu'il soit
possible de l'appeler *this* ou tout autre nom de variable.

Les méthodes peuvent être créées manuellement avec "types.MethodType",
qui équivaut à peu près à :

   class MethodType:
       "Emulate PyMethod_Type in Objects/classobject.c"

       def __init__(self, func, obj):
           self.__func__ = func
           self.__self__ = obj

       def __call__(self, *args, **kwargs):
           func = self.__func__
           obj = self.__self__
           return func(obj, *args, **kwargs)

       def __getattribute__(self, name):
           "Emulate method_getset() in Objects/classobject.c"
           if name == '__doc__':
               return self.__func__.__doc__
           return object.__getattribute__(self, name)

       def __getattr__(self, name):
           "Emulate method_getattro() in Objects/classobject.c"
           return getattr(self.__func__, name)

       def __get__(self, obj, objtype=None):
           "Emulate method_descr_get() in Objects/classobject.c"
           return self

To support automatic creation of methods, functions include the
"__get__()" method for binding methods during attribute access.  This
means that functions are non-data descriptors that return bound
methods during dotted lookup from an instance.  Here's how it works:

   class Function:
       ...

       def __get__(self, obj, objtype=None):
           "Simulate func_descr_get() in Objects/funcobject.c"
           if obj is None:
               return self
           return MethodType(self, obj)

L'exécution de la classe suivante dans l'interpréteur montre comment
le descripteur de fonction se comporte en pratique :

   class D:
       def f(self):
            return self

   class D2:
       pass

La fonction possède un attribut "__qualname__" (*nom qualifié*) pour
prendre en charge l'introspection :

   >>> D.f.__qualname__
   'D.f'

Accessing the function through the class dictionary does not invoke
"__get__()".  Instead, it just returns the underlying function object:

   >>> D.__dict__['f']
   <function D.f at 0x00C45070>

Dotted access from a class calls "__get__()" which just returns the
underlying function unchanged:

   >>> D.f
   <function D.f at 0x00C45070>

The interesting behavior occurs during dotted access from an instance.
The dotted lookup calls "__get__()" which returns a bound method
object:

   >>> d = D()
   >>> d.f
   <bound method D.f of <__main__.D object at 0x00B18C90>>

En interne, la méthode liée stocke la fonction sous-jacente et
l'instance liée :

   >>> d.f.__func__
   <function D.f at 0x00C45070>

   >>> d.f.__self__
   <__main__.D object at 0x00B18C90>

Si vous vous êtes déjà demandé d'où vient *self* dans les méthodes
ordinaires ou d'où vient *cls* dans les méthodes de classe, c'est ça !


Types de méthodes
-----------------

Les descripteurs hors-données constituent un moyen simple pour
modifier le modèle usuel de transformation des fonctions en méthodes.

To recap, functions have a "__get__()" method so that they can be
converted to a method when accessed as attributes.  The non-data
descriptor transforms an "obj.f(*args)" call into "f(obj, *args)".
Calling "cls.f(*args)" becomes "f(*args)".

Ce tableau résume le lien classique (*binding*) et ses deux variantes
les plus utiles :

   +-------------------+------------------------+--------------------+
   | Transformation    | Appelée depuis un      | Appelée depuis une |
   |                   | objet                  | classe             |
   |===================|========================|====================|
   | fonction          | f(obj, *args)          | f(*args)           |
   +-------------------+------------------------+--------------------+
   | méthode statique  | f(*args)               | f(*args)           |
   +-------------------+------------------------+--------------------+
   | méthode de classe | f(type(obj), *args)    | f(cls, *args)      |
   +-------------------+------------------------+--------------------+


Méthodes statiques
------------------

Les méthodes statiques renvoient la fonction sous-jacente sans
modification. Appeler "c.f" ou "C.f" est l'équivalent d'une recherche
directe dans "objet.__getattribute__(c, "f")" ou
"objet.__getattribute__(C, "f")". Par conséquent, l'accès à la
fonction devient identique que ce soit à partir d'un objet ou d'une
classe.

Les bonnes candidates pour être méthode statique sont des méthodes qui
ne font pas référence à la variable "self".

For instance, a statistics package may include a container class for
experimental data.  The class provides normal methods for computing
the average, mean, median, and other descriptive statistics that
depend on the data. However, there may be useful functions which are
conceptually related but do not depend on the data.  For instance,
"erf(x)" is handy conversion routine that comes up in statistical work
but does not directly depend on a particular dataset. It can be called
either from an object or the class:  "s.erf(1.5) --> 0.9332" or
"Sample.erf(1.5) --> 0.9332".

Puisque les méthodes statiques renvoient la fonction sous-jacente sans
changement, les exemples d’appels sont d'une grande banalité :

   class E:
       @staticmethod
       def f(x):
           return x * 10

   >>> E.f(3)
   30
   >>> E().f(3)
   30

En utilisant le protocole de descripteur hors-données, une version
Python pure de "staticmethod()" ressemblerait à ceci :

   import functools

   class StaticMethod:
       "Emulate PyStaticMethod_Type() in Objects/funcobject.c"

       def __init__(self, f):
           self.f = f
           functools.update_wrapper(self, f)

       def __get__(self, obj, objtype=None):
           return self.f

       def __call__(self, *args, **kwds):
           return self.f(*args, **kwds)

       @property
       def __annotations__(self):
           return self.f.__annotations__

The "functools.update_wrapper()" call adds a "__wrapped__" attribute
that refers to the underlying function.  Also it carries forward the
attributes necessary to make the wrapper look like the wrapped
function, including "__name__", "__qualname__", and "__doc__".


Méthodes de classe
------------------

Contrairement aux méthodes statiques, les méthodes de classe ajoutent
la référence de classe en tête de la liste d'arguments, avant
d'appeler la fonction. C'est le même format que l'appelant soit un
objet ou une classe :

   class F:
       @classmethod
       def f(cls, x):
           return cls.__name__, x

   >>> F.f(3)
   ('F', 3)
   >>> F().f(3)
   ('F', 3)

Ce comportement est utile lorsque la fonction n'a besoin que d'une
référence de classe et ne se soucie pas des données propres à une
instance particulière. Une des utilisations des méthodes de classe est
de créer des constructeurs de classe personnalisés. Par exemple, la
méthode de classe "dict.fromkeys()" crée un nouveau dictionnaire à
partir d'une liste de clés.  L'équivalent Python pur est :

   class Dict(dict):
       @classmethod
       def fromkeys(cls, iterable, value=None):
           "Emulate dict_fromkeys() in Objects/dictobject.c"
           d = cls()
           for key in iterable:
               d[key] = value
           return d

Maintenant un nouveau dictionnaire de clés uniques peut être construit
comme ceci :

   >>> d = Dict.fromkeys('abracadabra')
   >>> type(d) is Dict
   True
   >>> d
   {'a': None, 'b': None, 'r': None, 'c': None, 'd': None}

En utilisant le protocole de descripteur hors-données, une version
Python pure de "classmethod()" ressemblerait à ceci :

   import functools

   class ClassMethod:
       "Emulate PyClassMethod_Type() in Objects/funcobject.c"

       def __init__(self, f):
           self.f = f
           functools.update_wrapper(self, f)

       def __get__(self, obj, cls=None):
           if cls is None:
               cls = type(obj)
           return MethodType(self.f, cls)

The "functools.update_wrapper()" call in "ClassMethod" adds a
"__wrapped__" attribute that refers to the underlying function.  Also
it carries forward the attributes necessary to make the wrapper look
like the wrapped function: "__name__", "__qualname__", "__doc__", and
"__annotations__".


Objets membres et *__slots__*
-----------------------------

Lorsqu'une classe définit "__slots__", Python remplace le dictionnaire
d'instance par un tableau de longueur fixe de créneaux prédéfinis.
D'un point de vue utilisateur, cela :

1/ permet une détection immédiate des bogues dus à des affectations
d'attributs mal orthographiés. Seuls les noms d'attribut spécifiés
dans "__slots__" sont autorisés :

   class Vehicle:
       __slots__ = ('id_number', 'make', 'model')

   >>> auto = Vehicle()
   >>> auto.id_nubmer = 'VYE483814LQEX'
   Traceback (most recent call last):
       ...
   AttributeError: 'Vehicle' object has no attribute 'id_nubmer'

2/ aide à créer des objets immuables où les descripteurs gèrent
l'accès aux attributs privés stockés dans "__slots__" :

   class Immutable:

       __slots__ = ('_dept', '_name')          # Replace the instance dictionary

       def __init__(self, dept, name):
           self._dept = dept                   # Store to private attribute
           self._name = name                   # Store to private attribute

       @property                               # Read-only descriptor
       def dept(self):
           return self._dept

       @property
       def name(self):                         # Read-only descriptor
           return self._name

   >>> mark = Immutable('Botany', 'Mark Watney')
   >>> mark.dept
   'Botany'
   >>> mark.dept = 'Space Pirate'
   Traceback (most recent call last):
       ...
   AttributeError: property 'dept' of 'Immutable' object has no setter
   >>> mark.location = 'Mars'
   Traceback (most recent call last):
       ...
   AttributeError: 'Immutable' object has no attribute 'location'

3/ économise de la mémoire. Sur une version Linux 64 bits, une
instance avec deux attributs prend 48 octets avec "__slots__" et 152
octets sans. Ce patron de conception poids mouche n'a probablement
d'importance que si un grand nombre d'instances doivent être créées ;

4/ améliore la vitesse. La lecture des variables d'instance est 35 %
plus rapide avec "__slots__" (mesure effectuée avec Python 3.10 sur un
processeur Apple M1) ;

5/ bloque les outils comme "functools.cached_property()" qui
nécessitent un dictionnaire d'instance pour fonctionner correctement :

   from functools import cached_property

   class CP:
       __slots__ = ()                          # Eliminates the instance dict

       @cached_property                        # Requires an instance dict
       def pi(self):
           return 4 * sum((-1.0)**n / (2.0*n + 1.0)
                          for n in reversed(range(100_000)))

   >>> CP().pi
   Traceback (most recent call last):
     ...
   TypeError: No '__dict__' attribute on 'CP' instance to cache 'pi' property.

Il n'est pas possible de créer une version Python pure exacte de
"__slots__" car il faut un accès direct aux structures C et un
contrôle sur l'allocation de la mémoire des objets. Cependant, nous
pouvons construire une simulation presque fidèle où la structure C
réelle pour les *slots* est émulée par une liste privée "_slotvalues".
Les lectures et écritures dans cette structure privée sont gérées par
des descripteurs de membres :

   null = object()

   class Member:

       def __init__(self, name, clsname, offset):
           'Emulate PyMemberDef in Include/structmember.h'
           # Also see descr_new() in Objects/descrobject.c
           self.name = name
           self.clsname = clsname
           self.offset = offset

       def __get__(self, obj, objtype=None):
           'Emulate member_get() in Objects/descrobject.c'
           # Also see PyMember_GetOne() in Python/structmember.c
           if obj is None:
               return self
           value = obj._slotvalues[self.offset]
           if value is null:
               raise AttributeError(self.name)
           return value

       def __set__(self, obj, value):
           'Emulate member_set() in Objects/descrobject.c'
           obj._slotvalues[self.offset] = value

       def __delete__(self, obj):
           'Emulate member_delete() in Objects/descrobject.c'
           value = obj._slotvalues[self.offset]
           if value is null:
               raise AttributeError(self.name)
           obj._slotvalues[self.offset] = null

       def __repr__(self):
           'Emulate member_repr() in Objects/descrobject.c'
           return f'<Member {self.name!r} of {self.clsname!r}>'

The "type.__new__()" method takes care of adding member objects to
class variables:

   class Type(type):
       'Simulate how the type metaclass adds member objects for slots'

       def __new__(mcls, clsname, bases, mapping, **kwargs):
           'Emulate type_new() in Objects/typeobject.c'
           # type_new() calls PyTypeReady() which calls add_methods()
           slot_names = mapping.get('slot_names', [])
           for offset, name in enumerate(slot_names):
               mapping[name] = Member(name, clsname, offset)
           return type.__new__(mcls, clsname, bases, mapping, **kwargs)

La méthode "object.__new__()" s'occupe de créer des instances qui ont
des *slots* au lieu d'un dictionnaire d'instances. Voici une
simulation approximative en Python pur :

   class Object:
       'Simulate how object.__new__() allocates memory for __slots__'

       def __new__(cls, *args, **kwargs):
           'Emulate object_new() in Objects/typeobject.c'
           inst = super().__new__(cls)
           if hasattr(cls, 'slot_names'):
               empty_slots = [null] * len(cls.slot_names)
               object.__setattr__(inst, '_slotvalues', empty_slots)
           return inst

       def __setattr__(self, name, value):
           'Emulate _PyObject_GenericSetAttrWithDict() Objects/object.c'
           cls = type(self)
           if hasattr(cls, 'slot_names') and name not in cls.slot_names:
               raise AttributeError(
                   f'{cls.__name__!r} object has no attribute {name!r}'
               )
           super().__setattr__(name, value)

       def __delattr__(self, name):
           'Emulate _PyObject_GenericSetAttrWithDict() Objects/object.c'
           cls = type(self)
           if hasattr(cls, 'slot_names') and name not in cls.slot_names:
               raise AttributeError(
                   f'{cls.__name__!r} object has no attribute {name!r}'
               )
           super().__delattr__(name)

To use the simulation in a real class, just inherit from "Object" and
set the *metaclass* to "Type":

   class H(Object, metaclass=Type):
       'Instance variables stored in slots'

       slot_names = ['x', 'y']

       def __init__(self, x, y):
           self.x = x
           self.y = y

À ce stade, la métaclasse a chargé des objets membres pour *x* et *y*
:

   >>> from pprint import pp
   >>> pp(dict(vars(H)))
   {'__module__': '__main__',
    '__doc__': 'Instance variables stored in slots',
    'slot_names': ['x', 'y'],
    '__init__': <function H.__init__ at 0x7fb5d302f9d0>,
    'x': <Member 'x' of 'H'>,
    'y': <Member 'y' of 'H'>}

Lorsque les instances sont créées, elles ont une liste "slot_values"
où les attributs sont stockés :

   >>> h = H(10, 20)
   >>> vars(h)
   {'_slotvalues': [10, 20]}
   >>> h.x = 55
   >>> vars(h)
   {'_slotvalues': [55, 20]}

Les attributs mal orthographiés ou non attribués lèvent une exception
:

   >>> h.xz
   Traceback (most recent call last):
       ...
   AttributeError: 'H' object has no attribute 'xz'
