Python 什么是猴子修补术？

我试图理解，什么是猴子补丁或猴子补丁

这是否类似于方法/运算符重载或委派

它与这些东西有什么共同之处吗？

根据：

在Python中，术语monkey patch仅用于 指的是对对象的动态修改 运行时的类或模块，受激励 通过修补现有的 第三方代码作为解决方案 不起作用的bug或特性 你想要的

---

不，它不像那些东西。它只是在运行时动态替换属性

例如，考虑一个类，该类具有一个方法：代码> GETyDATA < /COD>。此方法执行外部查找（例如，在数据库或web API上），类中的其他各种方法调用它。但是，在单元测试中，您不希望依赖于外部数据源，因此可以使用返回一些固定数据的存根动态替换

get\u data

方法

因为Python类是可变的，而方法只是类的属性，所以您可以随心所欲地执行此操作——事实上，您甚至可以用完全相同的方式替换模块中的类和函数

但是，正如一位专家所指出的，在修补monkeypatching时要小心：

如果除了您的测试逻辑之外，还有其他任何东西也调用了

get_data

，那么它也会调用您的monkey patched replacement，而不是原始的，这可能是好的，也可能是坏的。小心点

如果在替换时存在同样指向

get_data

函数的变量或属性，则此别名不会改变其含义，并将继续指向原始

get_data

。（为什么？Python只是将类中的名称

get_data

重新绑定到其他函数对象；其他名称绑定根本不受影响。）

---

第一：猴子补丁是一种邪恶的黑客（在我看来）

它通常用于用自定义实现替换模块或类级别的方法

---

最常见的用例是在无法替换原始代码时，为模块或类中的错误添加一个变通方法。在这种情况下，您可以使用自己的模块/包中的实现通过monkey patching替换“错误”的代码。

monkey patching只能在动态语言中完成，python就是一个很好的例子。例如，在运行时更改方法而不是更新对象定义；类似地，在运行时添加属性（无论是方法还是变量）被认为是猴子补丁。这些通常是在使用没有源代码的模块时完成的，因此对象定义不容易更改

这被认为是不好的，因为这意味着对象的定义不能完全或准确地描述其实际行为

MonkeyPatch是一段Python代码，可以扩展或修改 运行时的其他代码（通常在启动时）

一个简单的例子如下所示：

from SomeOtherProduct.SomeModule import SomeClass

def speak(self):
    return "ook ook eee eee eee!"

SomeClass.speak = speak

来源：Zope wiki上的页面

什么是猴子补丁？ 简单地说，monkey patching就是在程序运行时对模块或类进行更改

使用中的示例 熊猫文档中有一个猴子修补的例子：

import pandas as pd
def just_foo_cols(self):
    """Get a list of column names containing the string 'foo'

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

pd.DataFrame.just_foo_cols = just_foo_cols # monkey-patch the DataFrame class
df = pd.DataFrame([list(range(4))], columns=["A","foo","foozball","bar"])
df.just_foo_cols()
del pd.DataFrame.just_foo_cols # you can also remove the new method

要解决此问题，首先我们导入模块：

import pandas as pd

接下来，我们创建一个方法定义，它存在于任何类定义的范围之外（因为函数和未绑定方法之间的区别是毫无意义的，Python 3取消了未绑定方法）：

接下来，我们只需将该方法附加到要在其上使用的类：

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

然后我们可以在类的实例上使用该方法，并在完成后删除该方法：

df = pd.DataFrame([list(range(4))], columns=["A","foo","foozball","bar"])
df.just_foo_cols()
del pd.DataFrame.just_foo_cols # you can also remove the new method

名称损坏的警告 如果您使用名称mangling（在属性前面加上双下划线，这会改变名称，我不推荐这样做），如果您这样做，您必须手动命名mangle。因为我不推荐名称损坏，所以我不会在这里演示

测试示例 例如，我们如何在测试中使用这些知识

假设我们需要模拟对外部数据源的数据检索调用，从而导致错误，因为我们希望在这种情况下确保行为正确。我们可以对数据结构进行修补以确保这种行为。（因此使用Daniel Roseman建议的类似方法名称：）

当我们测试依赖于此方法的行为时，会引发错误，如果正确实现，我们将在测试结果中得到该行为

仅执行上述操作将改变进程生命周期内的

结构

对象，因此您希望在单元测试中使用设置和拆卸来避免这样做，例如：

def setUp(self):
    # retain a pointer to the actual real method:
    self.real_get_data = datasource.Structure.get_data
    # monkey patch it:
    datasource.Structure.get_data = get_data

def tearDown(self):
    # give the real method back to the Structure object:
    datasource.Structure.get_data = self.real_get_data

---

（虽然上面的操作很好，但是使用

mock

库来修补代码可能是一个更好的主意。

mock

的

patch

decorator比上面的操作更不容易出错，这将需要更多的代码行，从而有更多的机会引入错误。我还没有在

mock但我想它也以类似的方式使用monkey patching。）
monkey patching是在运行时重新打开类中现有的类或方法，并更改行为，应该谨慎使用，或者只在真正需要时才使用

由于Python是一种动态编程语言，类是可变的，因此您可以重新打开它们，修改甚至替换它们

什么是monkey patching？monkey patching是一种用于在运行时动态更新代码行为的技术

为什么要使用猴子补丁？它允许我们在运行时修改或扩展库、模块、类或方法的行为，而无需
实际修改源代码

结论猴子修补术是一种很酷的技术，现在我们已经学会了如何进行修补
import datasource

def get_data(self):
    '''monkey patch datasource.Structure with this to simulate error'''
    raise datasource.DataRetrievalError

datasource.Structure.get_data = get_data

def setUp(self):
    # retain a pointer to the actual real method:
    self.real_get_data = datasource.Structure.get_data
    # monkey patch it:
    datasource.Structure.get_data = get_data

def tearDown(self):
    # give the real method back to the Structure object:
    datasource.Structure.get_data = self.real_get_data