Python:设计模式之单例模式

简介: Python:设计模式之单例模式

单例模式

1、确保类有且只有一个对象被创建

2、为对象提供一个全局访问点

3、控制共享资源的并行访问


实现单例最简单的方式:

使构造函数私有化,并创建一个静态方法来完成对象初始化


使用场景:

一个类要求只有一个实例对象


单例模式的缺点

1、全局变量可能被误修改

2、对同一个对象创建多个引用

3、所有依赖于全局变量的类都会由于一个类的改变而紧密耦合为全局数据,从而可能在无意中影响另一个类

一、经典的单例模式

只允许Singleton类生成一个实例

# -*- coding: utf-8 -*-


class Singleton(object):
    def __new__(cls):
        if not hasattr(cls, "_instance"):
            cls._instance = super(Singleton, cls).__new__(cls)
        return cls._instance


if __name__ == '__main__':
    s1 = Singleton()
    s2 = Singleton()

    print(s1)
    print(s2)
    print(s1 == s2)
    print(s1 is s2)
"""
<__main__.Singleton object at 0x1021d58d0>
<__main__.Singleton object at 0x1021d58d0>
True
True
"""

二、懒汉式实例化

实际对象创建发生在 get_instance()

# -*- coding: utf-8 -*-



class Singleton(object):
__instance = None

def __init__(self):
if not Singleton.__instance:
print("create...")
else:
print("already exist...")

@classmethod
def get_instance(cls):
if not cls.__instance:
cls.__instance = Singleton()
return cls.__instance


if name == '__main__':
s1 = Singleton.get_instance() # 实例化

s2 = Singleton.get_instance() # 已存在,不会实例化

print(s1)
print(s2)
print(s1 == s2)
print(s1 is s2)
"""
create...
<__main__.Singleton object at 0x101ad5860>
<__main__.Singleton object at 0x101ad5860>
True
True
"""

三、单态模式 Monostate

所有对象共享相同的状态

# -- coding: utf-8 --


class Borg(object):
__data = {"age": 23}

def __init__(self):
self.__dict__ = self.__data


if name == '__main__':
b1 = Borg()
b2 = Borg()

# b1 和 b2是不同的对象,共享了相同的属性
print(b1)
print(b2)

# 修改b1对象, b2对象的属性也变化了
b1.name = "Tom"

print(b1.__dict__)
print(b2.__dict__)

"""
<__main__.Borg object at 0x102345f60>
<__main__.Borg object at 0x1023452e8>
{'age': 23, 'name': 'Tom'}
{'age': 23, 'name': 'Tom'}
"""

四、基于元类的单例

元类控制类的实例化

# -- coding: utf-8 --


class MetaSingleton(type):
_instances = {}

def __call__(cls, args, *kwargs):
if cls not in cls._instances:
cls._instances[cls] = super(MetaSingleton, cls).__call__(args, *kwargs)
return cls._instances[cls]


class Logger(metaclass=MetaSingleton):
pass


if name == '__main__':
logger1 = Logger()
logger2 = Logger()

print(logger1)
print(logger2)

"""
<__main__.Logger object at 0x1013658d0>
<__main__.Logger object at 0x1013658d0>
"""

五、单例模式应用一

对数据库进行同步操作

# -- coding: utf-8 --

class MetaSingleton(type):
_instances = {}

def __call__(cls, args, *kwargs):
if cls not in cls._instances:
cls._instances[cls] = super(MetaSingleton, cls).__call__(args, *kwargs)
return cls._instances[cls]


import sqlite3


class Database(metaclass=MetaSingleton):
connection = None

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

def get_cursor(self):
if self.connection is None:
self.connection = sqlite3.connect(self.db_url)
self.cursor = self.connection.cursor()

return self.cursor


if name == '__main__':
db_url = "db.sqlite3"
cursor1 = Database(db_url).get_cursor()
cursor2 = Database(db_url).get_cursor()

print(cursor1)
print(cursor2)
"""
<sqlite3.Cursor object at 0x101b4c490>
<sqlite3.Cursor object at 0x101b4c490>
"""

六、单例模式应用二

监控服务器,共享服务器数据

# -- coding: utf-8 --


class HealthCheck(object):
_instance = None

def __new__(cls, args, *kwargs):
if not cls._instance:
cls._instance = super(HealthCheck, cls).__new__(cls, args, *kwargs)
return cls._instance

def __init__(self):
self.servers = []

def add_server(self, server):
self.servers.append(server)

def pop_server(self):
return self.servers.pop()

def show_server(self):
print("" 10)
for server in self.servers:
print(server)
print("" 10)


if name == '__main__':
h1 = HealthCheck()

h2 = HealthCheck()

h1.add_server("server1")
h1.add_server("server2")
h1.add_server("server3")

h2.pop_server()

h2.show_server()
"""
**
server1
server2
**
"""

总结

1、当要求一个类只有一个对象时,就可以使用单例模式

2、经典单例模式,允许多次实例化,但返回同一个对象

3、Borg或Monostate单态模式允许创建共享相同状态的多个对象

4、单例模式可应用于多个服务间,实现一致的数据库操作


参考:

python设计模式第2版》第二章 单例设计模式

            </div>
目录
相关文章
|
7天前
|
数据采集 人工智能 安全
|
16天前
|
云安全 监控 安全
|
2天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
269 156
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
208 105
|
10天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
734 5
|
13天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
818 153