Python是一门弱类型的解释型语言，弱类型有其优势，非常适用于算法开发以及一些短平快的项目，但也有其劣势，当代码越来越多的时候，自由的代价就会呈现出来，维护的代价也会越来越大。特别是，如果我们开发接口给别人使用的时候，如果没有强类型的校验，别人就不能清晰的知道输入输出的数据结构是什么，报错的时候也比较难定位问题，因此在有些场景下，需要对函数输入输出进行强类型约束。
使用包装器尽量减少代码的侵入式
比较笨的实现方式是在每个需要进行参数校验的地方，手动加入类似如下代码：
代码语言：javascript复制assert type(data) == list, "data参数必须是list类型"这确实可以实现，不失为凑代码行数的好方法，但是这很丑陋，后期也很难维护。
使用FastAPI的体验都比较清楚，在FastAPI中，接口的输入输出参数是可以定义成强类型的，这也是自己最初看到FastAPI就觉得这就是Python当前最好的框架之一。总结一下，我们的实现方式应该做到如下两个要求：
- 非侵入式的，尽量避免对业务代码的更改；
- 实现输入输出参数的强类型校验。
参考FastAPI的实现，我们的实现应该也是采用包装器的形式来实现。本来想直接FastAPI的源码里找到对应的代码，复制出来使用的，但是找到了一段时间，也没有定位到代码对应的地方，就自己直接实现了，其实并不复杂。
在包装器中实现对目标函数的输入输出校验，下面是一个示例的业务代码：
代码语言：javascript复制class ClassTool:
def run(self, input_text: str = '', text_len: int = 100) -> str:
assert input_text, f"input_text参数不能为空"
input_class = '正常'
if len(input_text) > text_len:
input_class = '文本过长'
return input_class原来的实现就是使用“assert”来对输入参数进行校验，但是对于复杂类型校验就比较麻烦了，例如类型List[str], List[Dict[str, int]]等，硬是要使用“assert”也是可以的，只是代码很罗嗦，很多重复代码。
校验包装器实现
使用包装器实现输入输出参数的校验，具体代码如下：
代码语言：javascript复制from functools import wraps
from inspect import get_annotations
from pydantic import BaseModel
def ToolParamsCheck(fun):
"""工具参数校验
注意：当接口有未知参数的时候，不能使用该参数检查
"""
@wraps(fun)
def wrap_fun(cls, **kwargs):
tool_key = cls.__class__.__name__
# 处理输入参数
params = get_annotations(fun)
keys: list = list(params.keys())
if 'return' in keys: # 去掉返回值
keys.remove('return')
if len(keys) != 1:
raise Exception(f"工具{tool_key}的输入参数数量不为1: {len(keys)}")
InputParams = params[keys[0]] # 输入参数类
support_params = get_annotations(InputParams)
for key in kwargs.keys():
if key not in support_params:
raise Exception(f"工具{tool_key}不支持参数: {key}")
# 执行
try:
input_params = InputParams(**kwargs)
except Exception as e:
raise Exception(f"工具{tool_key}的输入参数异常: {e} 支持的参数列表: {support_params}")
# 执行工具
res = fun(cls, input_params)
# 处理输出参数
if 'return' in params:
class ReturnParam(BaseModel):
param: params['return']
try:
ReturnParam(param=res)
except Exception as e:
raise Exception(f"工具{tool_key}的输出参数异常: {e} 期望的输出类型: {params['return']}, 实际的输出类型: {type(res)}")
return res
return wrap_fun对应的业务代码也需要做一些简单的修改，如下：
代码语言：javascript复制from pydantic import BaseModel, Field
from .utils import ToolParamsCheck
class InputParams(BaseModel):
"""定义输入参数"""
input_text: str = Field(..., title='输入文本')
text_len: int = Field(100, title='超过该长度，则返回"文本过长"，否则返回"正常"')
class ClassTool:
@ToolParamsCheck
def _run(self, params: InputParams) -> str:
input_class = '正常'
if len(params.input_text) > params.text_len:
input_class = '文本过长'
return input_class这对代码有一点侵入性，是的，但是这正是我所期待的，相比原来的方式输入，个人更喜欢将参数定义成这样，类似FastAPI，后面可以作为对象使用，避免低级错误，例如写错变量名等。
从实现上，要点如下：
- 输入参数：使用参数类（如上面的InputParams）将输入的“**kwargs”参数在包装器中进行转换，如果数据中有类型不匹配，则会抛出异常。注意如果多传了参数，这是不会报错的，需要在包装器中使用代码进行判断；
- 使用“get_annotations”获取目标函数的输入输出参数的类型信息；
- 输出参数：这个的校验比较特别，试了好几种方法，最后觉得这样式最好的，在需要返回值校验的时候，定义了一个动态的类“ReturnParam”（见上面的代码）。
输出参数校验的时候，没有参考FastAPI使用一个“response_model”之类的包装器参数，而是使用更加直接的方式。
说明：因为我们的场景下，输入输出都需要是普通的数据，并没有将输入输出转成强类型数据，外部在调用时（通过HTTP接口）还是普通的输入输出。
使用限制
原业务函数中如果包含了类似*args/**kwargs这类的可变参数，则上面的包装器还是完善，例如对于*args参数，可以类似输出参数的方式进行处理。
不过对于这两类的参数，这个“get_annotations”方法获取不到对应的信息，需要找其他的方式。
