Guia de descritores
*******************

Autor:
   Raymond Hettinger

Contato:
   <python at rcn dot com>


Sumário
^^^^^^^

* Guia de descritores

  * Introdução

    * Exemplo simples: um descritor que retorna uma constante

    * Pesquisas dinâmicas

    * Atributos gerenciados

    * Nomes personalizados

    * Pensamentos finais

  * Exemplo completamente prático

    * Classe Validator

    * Validadores personalizados

    * Aplicação prática

  * Tutorial técnico

    * Resumo

    * Definição e introdução

    * Protocolo Descriptor

    * Visão geral da invocação do descritor

    * Invocação de uma instância

    * Invocação de uma classe

    * Invocação de super

    * Resumo da lógica de invocação

    * Notificação automática de nome

    * Exemplo de ORM

  * Equivalentes de Python puro

    * Propriedades

    * Funções e métodos

    * Tipos de métodos

    * Métodos estáticos

    * Métodos de classe

    * Member objects and __slots__

*Descritores* permitem que os objetos personalizem a consulta, o
armazenamento e a exclusão de atributos.

Este guia tem quatro seções principais:

1. A "introdução" oferece uma visão geral básica, movendo-se
   suavemente a partir de exemplos simples, adicionando um recurso de
   cada vez. Comece aqui se você for novo em descritores.

2. A segunda seção mostra um exemplo de descritor prático completo. Se
   você já conhece o básico, comece por aí.

3. A terceira seção fornece um tutorial mais técnico que aborda a
   mecânica detalhada de como os descritores funcionam. A maioria das
   pessoas não precisa desse nível de detalhe.

4. A última seção tem equivalentes puros de Python para descritores
   embutidos que são escritos em C. Leia isto se estiver curioso sobre
   como as funções se transformam em métodos vinculados ou sobre a
   implementação de ferramentas comuns como "classmethod()",
   "staticmethod()", "property()" e *__slots__*.


Introdução
==========

Nesta introdução, começamos com o exemplo mais básico possível e, em
seguida, adicionaremos novos recursos um por um.


Exemplo simples: um descritor que retorna uma constante
-------------------------------------------------------

A classe "Ten" é um descritor cujo método "__get__()" sempre retorna a
constante "10":

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

Para usar o descritor, ele deve ser armazenado como uma variável de
classe em outra classe:

   class A:
       x = 5                       # Atributo de classe comum
       y = Ten()                   # Instância de descritor

Uma sessão interativa mostra a diferença entre a pesquisa de atributo
normal e a pesquisa de descritor:

   >>> a = A()                     # Cria uma instância da classeA
   >>> a.x                         # Pesquisa de atributo normal
   5
   >>> a.y                         # Pesquisa de descritor
   10

Na pesquisa de atributo "a.x", o operador ponto encontra "'x': 5" no
dicionário de classe. Na pesquisa "a.y", o operador ponto encontra uma
instância de descritor, reconhecida por seu método "__get__". Chamar
esse método retorna "10".

Observe que o valor "10" não é armazenado no dicionário da classe ou
no dicionário da instância. Em vez disso, o valor "10" é calculado sob
demanda.

Este exemplo mostra como funciona um descritor simples, mas não é
muito útil. Para recuperar constantes, a pesquisa de atributo normal
seria melhor.

Na próxima seção, criaremos algo mais útil, uma pesquisa dinâmica.


Pesquisas dinâmicas
-------------------

Descritores interessantes normalmente executam cálculos em vez de
retornar constantes:

   import os

   class DirectorySize:

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

   class Directory:

       size = DirectorySize()              # Instância de descritor

       def __init__(self, dirname):
           self.dirname = dirname          # Atributo de instância regular

Uma sessão interativa mostra que a pesquisa é dinâmica – calcula
respostas diferentes e atualizadas a cada vez:

   >>> s = Directory('songs')
   >>> g = Directory('games')
   >>> s.size                              # O jogo de músicas tem vinte arquivos
   20
   >>> g.size                              # O diretório de jogos tem três arquivos
   3
   >>> os.remove('games/chess')            # Exclui um jogo
   >>> g.size                              # Contagem de arquivos é atualizada automaticamente
   2

Além de mostrar como os descritores podem executar cálculos, este
exemplo também revela o propósito dos parâmetros para "__get__()". O
parâmetro *self* é *size*, uma instância de *DirectorySize*. O
parâmetro *obj* é *g* ou *s*, uma instância de *Directory*. É o
parâmetro *obj* que permite ao método "__get__()" aprender o diretório
de destino. O parâmetro *objtype* é a classe *Directory*.


Atributos gerenciados
---------------------

Um uso popular para descritores é gerenciar o acesso aos dados da
instância. O descritor é atribuído a um atributo público no dicionário
da classe, enquanto os dados reais são armazenados como um atributo
privado no dicionário da instância. Os métodos "__get__()" e
"__set__()" do descritor são disparados quando o atributo público é
acessado.

No exemplo a seguir, *age* é o atributo público e *_age* é o atributo
privado. Quando o atributo público é acessado, o descritor registra a
pesquisa ou atualização:

   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()             # Instância de descritor

       def __init__(self, name, age):
           self.name = name                # Atributo de instância regular
           self.age = age                  # Chama __set__()

       def birthday(self):
           self.age += 1                   # Chama __get__() e __set__()

Uma sessão interativa mostra que todo o acesso ao atributo gerenciado
*age* é registrado, mas que o atributo regular *name* não é
registrado:

   >>> mary = Person('Mary M', 30)         # A atualização inicial de idade é registrada
   INFO:root:Updating 'age' to 30
   >>> dave = Person('David D', 40)
   INFO:root:Updating 'age' to 40

   >>> vars(mary)                          # Os dados estão em um atributo privado
   {'name': 'Mary M', '_age': 30}
   >>> vars(dave)
   {'name': 'David D', '_age': 40}

   >>> mary.age                            # Acessa os dados e registra a pesquisa
   INFO:root:Accessing 'age' giving 30
   30
   >>> mary.birthday()                     # Atualizações são registradas também
   INFO:root:Accessing 'age' giving 30
   INFO:root:Updating 'age' to 31

   >>> dave.name                           # Pesquisa de atributo regular não é registrada
   'David D'
   >>> dave.age                            # Apenas o atributo gerenciado é registrado
   INFO:root:Accessing 'age' giving 40
   40

Um grande problema com este exemplo é que o nome privado *_age* está
conectado na classe *LoggedAgeAccess*. Isso significa que cada
instância pode ter apenas um atributo registrado e que seu nome é
imutável. No próximo exemplo, vamos corrigir esse problema.


Nomes personalizados
--------------------

Quando uma classe usa descritores, ela pode informar a cada descritor
sobre qual nome de variável foi usado.

Neste exemplo, a classe "Person" tem duas instâncias de descritor,
*name* e *age*. Quando a classe "Person" é definida, ela faz uma
função de retorno para "__set_name__()" em *LoggedAccess* para que os
nomes dos campos possam ser registrados, dando a cada descritor o seu
próprio *public_name* e *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()                # Primeira instância de descritor
       age = LoggedAccess()                 # Segunda instância de descritor

       def __init__(self, name, age):
           self.name = name                 # Chama o primeiro descritor
           self.age = age                   # Chama o segundo descritor

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

Uma sessão interativa mostra que a classe "Person" chamou
"__set_name__()" para que os nomes dos campos fossem registrados. Aqui
chamamos "vars()" para pesquisar o descritor sem acioná-lo:

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

A nova classe agora registra acesso a *name* e *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

As duas instâncias *Person* contêm apenas os nomes privados:

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


Pensamentos finais
------------------

Um *descritor* é o que chamamos de qualquer objeto que define
"__get__()", "__set__()" ou "__delete__()".

Opcionalmente, os descritores podem ter um método "__set_name__()".
Isso é usado somente em casos em que um descritor precisa saber a
classe onde foi criado ou o nome da variável de classe à qual foi
atribuído. (Este método, se presente, é chamado mesmo se a classe não
for um descritor.)

Descritores são invocados pelo operador ponto durante a pesquisa de
atributos. Se um descritor for acessado indiretamente com
"vars(some_class)[descriptor_name]", a instância do descritor é
retornada sem invocá-lo.

Descritores só funcionam quando usados como variáveis de classe.
Quando colocados em instâncias, eles não têm efeito.

A principal motivação para descritores é fornecer um gancho permitindo
que objetos armazenados em variáveis de classe controlem o que
acontece durante a pesquisa de atributos.

Tradicionalmente, a classe de chamada controla o que acontece durante
a pesquisa. Descritores invertem esse relacionamento e permitem que os
dados pesquisados tenham uma palavra a dizer sobre o assunto.

Descritores são usados em toda a linguagem. É como funções se
transformam em métodos vinculados. Ferramentas comuns como
"classmethod()", "staticmethod()", "property()" e
"functools.cached_property()" são todas implementadas como
descritores.


Exemplo completamente prático
=============================

Neste exemplo, criamos uma ferramenta prática e poderosa para
localizar bugs de corrupção de dados notoriamente difíceis de
encontrar.


Classe Validator
----------------

Um validador é um descritor para acesso de atributo gerenciado. Antes
de armazenar quaisquer dados, ele verifica se o novo valor atende a
várias restrições de tipo e intervalo. Se essas restrições não forem
atendidas, ele levanta uma exceção para evitar corrupção de dados em
sua origem.

Esta classe "Validator" é uma *classe base abstrata* e um descritor de
atributo gerenciado:

   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

Validadores personalizados precisam herdar de "Validator" e devem
fornecer um método "validate()" para testar várias restrições conforme
necessário.


Validadores personalizados
--------------------------

Vemos aqui três utilitários práticos de validação de dados:

1. "OneOf" verifica se um valor é um de um conjunto restrito de
   opções.

2. "Number" verifica se um valor é um "int" ou "float". Opcionalmente,
   ele verifica se um valor está entre um mínimo ou máximo dado.

3. "String" verifica se um valor é um "str". Opcionalmente, ele valida
   um comprimento mínimo ou máximo dado. Ele pode validar um predicado
   definido pelo usuário também.

   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}'
               )


Aplicação prática
-----------------

Veja como os validadores de dados podem ser usados em uma classe real:

   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

Os descritores impedem que instâncias inválidas sejam criadas:

   >>> Component('Widget', 'metal', 5)      # Bloqueado: 'Widget' não está todo em letras maiúsculas
   Traceback (most recent call last):
       ...
   ValueError: Expected <method 'isupper' of 'str' objects> to be true for 'Widget'

   >>> Component('WIDGET', 'metle', 5)      # Bloqueado: 'metle' contém um erro de escrita
   Traceback (most recent call last):
       ...
   ValueError: Expected 'metle' to be one of {'metal', 'plastic', 'wood'}

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

   >>> Component('WIDGET', 'metal', 'V')    # Bloqueado: 'V' não é um número
   Traceback (most recent call last):
       ...
   TypeError: Expected 'V' to be an int or float

   >>> c = Component('WIDGET', 'metal', 5)  # Permitido:  As entradas são válidas


Tutorial técnico
================

O que se segue é um tutorial mais técnico sobre a mecânica e os
detalhes de como os descritores funcionam.


Resumo
------

Define descritores, resume o protocolo e mostra como os descritores
são chamados. Fornece um exemplo mostrando como mapeamentos
relacionais de objetos funcionam.

Aprender sobre descritores não apenas fornece acesso a um conjunto de
ferramentas maior, mas também cria uma compreensão mais profunda de
como o Python funciona.


Definição e introdução
----------------------

Em geral, um descritor é um valor de atributo que tem um dos métodos
no protocolo do descritor. Esses métodos são "__get__()", "__set__()"
e "__delete__()". Se qualquer um desses métodos for definido para um
atributo, ele é dito ser um *descritor*.

O comportamento padrão para acesso a atributos é obter, definir ou
excluir o atributo do dicionário de um objeto. Por exemplo, "a.x" tem
uma cadeia de pesquisa começando com "a.__dict__['x']", depois
"type(a).__dict__['x']" e continuando pela ordem de resolução de
métodos de "type(a)". Se o valor pesquisado for um objeto que define
um dos métodos descritores, o Python pode substituir o comportamento
padrão e invocar o método descritor. Onde isso ocorre na cadeia de
precedência depende de quais métodos descritores foram definidos.

Descritores são um protocolo poderoso de propósito geral. Eles são o
mecanismo por trás de propriedades, métodos, métodos estáticos,
métodos de classe e "super()". Eles são usados em todo o Python.
Descritores simplificam o código C subjacente e oferecem um conjunto
flexível de novas ferramentas para programas Python do dia a dia.


Protocolo Descriptor
--------------------

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

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

"descr.__delete__(self, obj)"

É só isso. Defina qualquer um desses métodos e um objeto é considerado
um descritor e pode substituir o comportamento padrão ao ser
pesquisado como um atributo.

Se um objeto define "__set__()" ou "__delete__()", ele é considerado
um descritor de dados. Descritores que definem apenas "__get__()" são
chamados de descritores não-dados (eles são frequentemente usados para
métodos, mas outros usos são possíveis).

Descritores de dados e não dados diferem em como as substituições são
calculadas com relação às entradas no dicionário de uma instância. Se
o dicionário de uma instância tiver uma entrada com o mesmo nome de um
descritor de dados, o descritor de dados terá precedência. Se o
dicionário de uma instância tiver uma entrada com o mesmo nome de um
descritor não dados, a entrada do dicionário terá precedência.

Para criar um descritor de dados somente leitura, defina "__get__()" e
"__set__()" com o "__set__()" levantando "AttributeError" quando
chamado. Definir o método "__set__()" com um espaço reservado
levantando uma exceção é o suficiente para torná-lo um descritor de
dados.


Visão geral da invocação do descritor
-------------------------------------

Um descritor pode ser chamado diretamente com "desc.__get__(obj)" ou
"desc.__get__(None, cls)".

Mas é mais comum que um descritor seja invocado automaticamente a
partir do acesso ao atributo.

A expressão "obj.x" procura o atributo "x" na cadeia de espaços de
nomes para "obj". Se a busca encontrar um descritor fora da instância
"__dict__", seu método "__get__()" é invocado de acordo com as regras
de precedência listadas abaixo.

Os detalhes da invocação dependem se "obj" é um objeto, classe ou
instância de super.


Invocação de uma instância
--------------------------

A pesquisa de instância verifica uma cadeia de espaços de nomes, dando
aos descritores de dados a maior prioridade, seguidos por variáveis de
instância, depois descritores que não são de dados, depois variáveis
de classe e, por último, "__getattr__()", se fornecido.

Se um descritor for encontrado para "a.x", ele será invocado com:
"desc.__get__(a, type(a))".

A lógica para uma pesquisa pontilhada está em
"object.__getattribute__()". Aqui está um equivalente Python puro:

   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)     # descritor de dados
       if hasattr(obj, '__dict__') and name in vars(obj):
           return vars(obj)[name]                          # variável de instância
       if descr_get is not null:
           return descr_get(cls_var, obj, objtype)         # descritor de não dados
       if cls_var is not null:
           return cls_var                                  # variável de classe
       raise AttributeError(name)

Note que não há nenhum gancho "__getattr__()" no código
"__getattribute__()". É por isso que chamar "__getattribute__()"
diretamente ou com "super().__getattribute__" ignorará "__getattr__()"
completamente.

Em vez disso, é o operador ponto e a função "getattr()" que são
responsáveis por invocar "__getattr__()" sempre que
"__getattribute__()" levanta um "AttributeError". A lógica deles é
encapsulada em uma função auxiliar:

   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__


Invocação de uma classe
-----------------------

A lógica para uma pesquisa pontilhada como "A.x" está em
"type.__getattribute__()". Os passos são similares aos de
"object.__getattribute__()" mas a pesquisa do dicionário de instância
é substituída por uma pesquisa através da *ordem de resolução de
métodos* da classe.

Se um descritor for encontrado, ele será invocado com
"desc.__get__(None, A)".

A implementação completa em C pode ser encontrada em "type_getattro()"
e "_PyType_Lookup()" em Objects/typeobject.c.


Invocação de super
------------------

A lógica para a pesquisa pontilhada de super está no método
"__getattribute__()" para o objeto retornado por "super()".

Uma pesquisa pontilhada como "super(A, obj).m" pesquisa
"obj.__class__.__mro__" para a classe base "B" imediatamente após "A"
e então retorna "B.__dict__['m'].__get__(obj, A)". Se não for um
descritor, "m" é retornado inalterado.

A implementação completa em C pode ser encontrada em
"super_getattro()" em Objects/typeobject.c. Um equivalente em Python
puro pode ser encontrado no Tutorial do Guido.


Resumo da lógica de invocação
-----------------------------

O mecanismo para descritores está incorporado nos métodos
"__getattribute__()" para "object", "type" e "super()".

Os pontos importantes para lembrar são:

* Descritores são invocados pelo método "__getattribute__()".

* As classes herdam esse maquinário de "object", "type" ou "super()".

* Substituir "__getattribute__()" impede chamadas automáticas do
  descritor porque toda a lógica do descritor está nesse método.

* "object.__getattribute__()" e "type.__getattribute__()" fazem
  chamadas diferentes para "__get__()". O primeiro inclui a instância
  e pode incluir a classe. O segundo coloca "None" para a instância e
  sempre inclui a classe.

* Os descritores de dados sempre substituem os dicionários de
  instância.

* Descritores de não-dados podem ser substituídos pelos dicionários de
  instância.


Notificação automática de nome
------------------------------

Às vezes, é desejável que um descritor saiba a qual nome de variável
de classe ele foi atribuído. Quando uma nova classe é criada, a
metaclasse "type" varre o dicionário da nova classe. Se qualquer uma
das entradas for descritor e se eles definirem "__set_name__()", esse
método será chamado com dois argumentos. O *owner* é a classe onde o
descritor é usado, e o *name* é a variável de classe à qual o
descritor foi atribuído.

Os detalhes de implementações estão em "type_new()" e "set_names()" em
Objects/typeobject.c.

Como a lógica de atualização está em "type.__new__()", as notificações
só ocorrem no momento da criação da classe. Se descritores forem
adicionados à classe posteriormente, "__set_name__()" precisará ser
chamado manualmente.


Exemplo de ORM
--------------

O código a seguir é um esqueleto simplificado que mostra como os
descritores de dados podem ser usados para implementar um mapeamento
relacional de objetos.

A ideia essencial é que os dados sejam armazenados em um banco de
dados externo. As instâncias do Python só guardam chaves para as
tabelas do banco de dados. Descritores cuidam de pesquisas ou
atualizações:

   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()

Podemos usar a classe "Field" para definir modelos que descrevem o
esquema de cada tabela em um banco de dados:

   class Movie:
       table = 'Movies'                    # Nome da tabela
       key = 'title'                       # Chave primária
       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

Para usar os modelos, primeiro conecte ao banco de dados:

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

Uma sessão interativa mostra como os dados são recuperados do banco de
dados e como eles podem ser atualizados:

   >>> 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'


Equivalentes de Python puro
===========================

O protocolo descritor é simples e oferece possibilidades
interessantes. Vários casos de uso são tão comuns que foram
pré-empacotados em ferramentas embutidas. Propriedades, métodos
vinculados, métodos estáticos, métodos de classe e __slots__ são todos
baseados no protocolo descritor.


Propriedades
------------

Chamar "property()" é uma maneira sucinta de construir um descritor de
dados que dispara uma chamada de função ao acessar um atributo. Sua
assinatura é:

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

A documentação mostra um uso típico para definir um atributo
gerenciado "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.")

Para ver como "property()" é implementada em termos do protocolo
descritor, aqui está um equivalente Python puro que implementa a maior
parte da funcionalidade principal:

   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__)

O recurso embutido "property()" ajuda sempre que uma interface de
usuário concede acesso a atributos e alterações subsequentes exigem a
intervenção de um método.

Por exemplo, uma classe de planilha pode conceder acesso a um valor de
célula por meio de "Cell('b10').value". Melhorias subsequentes no
programa exigem que a célula seja recalculada em cada acesso; no
entanto, o programador não quer afetar o código do cliente existente
acessando o atributo diretamente. A solução é encapsular o acesso ao
atributo de valor em um descritor de dados de propriedade:

   class Cell:
       ...

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

Tanto o "property()" embutida quanto nosso equivalente "Property()"
funcionariam neste exemplo.


Funções e métodos
-----------------

Os recursos orientados a objetos do Python são construídos sobre um
ambiente baseado em funções. Usando descritores de não-dados, os dois
são mesclados perfeitamente.

Funções armazenadas em dicionários de classe são transformadas em
métodos quando invocadas. Métodos diferem de funções regulares apenas
porque a instância do objeto é prefixada aos outros argumentos. Por
convenção, a instância é chamada *self*, mas poderia ser chamada
*this* ou qualquer outro nome de variável.trabalhar

Os métodos podem ser criados manualmente com "types.MethodType", que é
aproximadamente equivalente a:

   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

Para dar suporte à criação automática de métodos, as funções incluem o
método "__get__()" para vincular métodos durante o acesso ao atributo.
Isso significa que as funções são descritores de não-dados que
retornam métodos vinculados durante a pesquisa pontilhada de uma
instância. Veja como funciona:

   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)

A execução da classe a seguir no interpretador mostra como o descritor
de função funciona na prática:

   class D:
       def f(self):
            return self

   class D2:
       pass

A função tem um atributo *nome qualificado* para dar suporte à
introspecção:

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

Acessar a função por meio do dicionário de classes não invoca
"__get__()". Em vez disso, ele apenas retorna o objeto da função
subjacente:

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

O acesso pontilhado de uma classe chama "__get__()" que apenas retorna
a função subjacente inalterada:

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

O comportamento interessante ocorre durante o acesso pontuado de uma
instância. A pesquisa pontilhada chama "__get__()" que retorna um
objeto do método vinculado:

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

Internamente, o método vinculado armazena a função subjacente e a
instância vinculada:

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

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

Se você já se perguntou de onde vem *self* em métodos regulares ou de
onde vem *cls* em métodos de classe, é isso!


Tipos de métodos
----------------

Descritores de não-dados fornecem um mecanismo simples para variações
nos padrões usuais de vinculação de funções em métodos.

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)".

Este gráfico resume a ligação e suas duas variantes mais úteis:

   +-------------------+------------------------+--------------------+
   | Transformação     | Chamada de um objeto   | Chamada de uma     |
   |                   |                        | classe             |
   |===================|========================|====================|
   | função            | f(obj, *args)          | f(*args)           |
   +-------------------+------------------------+--------------------+
   | staticmethod      | f(*args)               | f(*args)           |
   +-------------------+------------------------+--------------------+
   | classmethod       | f(type(obj), *args)    | f(cls, *args)      |
   +-------------------+------------------------+--------------------+


Métodos estáticos
-----------------

Static methods return the underlying function without changes.
Calling either "c.f" or "C.f" is the equivalent of a direct lookup
into "object.__getattribute__(c, "f")" or "object.__getattribute__(C,
"f")". As a result, the function becomes identically accessible from
either an object or a class.

Good candidates for static methods are methods that do not reference
the "self" variable.

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".

Since static methods return the underlying function with no changes,
the example calls are unexciting:

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

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

Using the non-data descriptor protocol, a pure Python version of
"staticmethod()" would look like this:

   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__".


Métodos de classe
-----------------

Unlike static methods, class methods prepend the class reference to
the argument list before calling the function.  This format is the
same for whether the caller is an object or a class:

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

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

This behavior is useful whenever the method only needs to have a class
reference and does not rely on data stored in a specific instance.
One use for class methods is to create alternate class constructors.
For example, the classmethod "dict.fromkeys()" creates a new
dictionary from a list of keys.  The pure Python equivalent is:

   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

Now a new dictionary of unique keys can be constructed like this:

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

Using the non-data descriptor protocol, a pure Python version of
"classmethod()" would look like this:

   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__".


Member objects and __slots__
----------------------------

When a class defines "__slots__", it replaces instance dictionaries
with a fixed-length array of slot values.  From a user point of view
that has several effects:

1. Provides immediate detection of bugs due to misspelled attribute
assignments.  Only attribute names specified in "__slots__" are
allowed:

   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. Helps create immutable objects where descriptors manage access to
private attributes stored in "__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. Saves memory.  On a 64-bit Linux build, an instance with two
attributes takes 48 bytes with "__slots__" and 152 bytes without.
This flyweight design pattern likely only matters when a large number
of instances are going to be created.

4. Improves speed.  Reading instance variables is 35% faster with
"__slots__" (as measured with Python 3.10 on an Apple M1 processor).

5. Blocks tools like "functools.cached_property()" which require an
instance dictionary to function correctly:

   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.

It is not possible to create an exact drop-in pure Python version of
"__slots__" because it requires direct access to C structures and
control over object memory allocation.  However, we can build a mostly
faithful simulation where the actual C structure for slots is emulated
by a private "_slotvalues" list.  Reads and writes to that private
structure are managed by member descriptors:

   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)

The "object.__new__()" method takes care of creating instances that
have slots instead of an instance dictionary.  Here is a rough
simulation in pure Python:

   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

At this point, the metaclass has loaded member objects for *x* and
*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'>}

When instances are created, they have a "slot_values" list where the
attributes are stored:

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

Misspelled or unassigned attributes will raise an exception:

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