在提到闭包之前，我们需要对函数做一些梳理：
函数的局部参数是无法保存的，每次执行函数都是将参数初始化并执行
而闭包可以使函数拥有自己的环境上下文,在其中保存执行后的信息。使函数表现的像一个对象，丰富了函数的功能。
0、引言
我们现在要实现一个具有缓存功能的函数，"如果后续传入相同的参数，则不再计算，直接返回结果"。
如果是在对象中，这种缓存非常简单就能实现。但是在函数中则异常麻烦：
- 1
幻想中的写法, [实际上并不能起到作用]
import time
def cache_sum(a, b):
"""这是一个具有缓存功能的求和函数"""
cache = {}
key = str(a) + str(b)
if key in cache: # 1. 具有缓存结果，则直接返回
return cache.get(key)
else:
# 2. 计算
time.sleep(1)
ret = a + b
cache[key] = ret # 3. 将结果存储进缓存
使用cache_sum
if __name__ == '__main__':
print(datetime.datetime.now()) # 2020-05-04 09:13:13.239913
cache_sum(1, 5)
print(datetime.datetime.now()) # 2020-05-04 09:13:14.242900
cache_sum(1, 5)
print(datetime.datetime.now()) # 2020-05-04 09:13:15.246474
可以看出，在函数中cache = {}作为局部变量，每次都会被初始化，根本起不到作用 [ 两次执行都耗时一秒,说明缓存没有起作用]。
改进写法
def cache_sum(a, b):
"""这是一个具有缓存功能的求和函数"""
key = str(a) + str(b)
if key in cache: # 1. 这里的 cache 由使用者提供
return cache.get(key)
else:
# 2. 计算
time.sleep(1)
ret = a + b
cache[key] = ret # 3. 将结果存储进缓存
使用 cache_sum
if __name__ == '__main__':
cache = {}
print(datetime.datetime.now()) # 2020-05-04 09:19:43.842472
cache_sum(1, 5)
print(datetime.datetime.now()) # 2020-05-04 09:19:44.846783
cache_sum(1, 5)
print(datetime.datetime.now()) # 2020-05-04 09:19:44.846864
[ 第二次没有耗时,说明缓存起作用了]
在这种写法中，我们执行cache_sum还需要提供 cache = {}这样一个变量，这样会引起很多问题：
使用者会不会忘记提供 cache = {}?使用者会不会在外部修改 cache？
这些都是无法预料的问题。显然不能作为这个问题的解决方式- 使用
闭包完成
- 使用
import time
def as_cache_sum():
"""返回一个具有缓存功能的函数
你应该这样使用它
cache_sum = as_cache_sum()
ret = cache_sum(1,4)
print(ret) # 5
"""
cache = {}
def cache_sum(a, b):
key = str(a) + str(b)
if key in cache: # 1. 具有缓存结果，则直接返回
return cache.get(key)
else:
# 2. 计算
time.sleep(1)
ret = a + b
cache[key] = ret # 3. 将结果存储进缓存
return cache_sum
与第二种写法相比，这里提供变量cache是指外部函数中完成的，而使用者是接触不到这个变量的。
细细的品，你是不是有点明白
闭包的这个闭了
一、使用“闭包”
“闭包”的本质是函数的嵌套定义，即在函数内部再定义函数。
在下面这个函数中
def make_averager():
"""返回一个计算平均值的函数"""
series = []
def averager(new_value):
series.append(new_value)
total = sum(series)
return total / len(series)
return averager
调用 make_averager 时，返回一个 averager 函数对象。每次调用 averager 时，它会 把参数添加到系列值中，然后计算当前平均值。
averager = make_averager()
print(averager(10)) # 10
print(averager(12)) # 11
print(averager(14)) # 12
在上述函数中make_averager并不包含真正的执行逻辑，它只做了两件事情
为真正的执行函数提供环境上下文返回执行函数
averager函数才是真正执行逻辑的地方，它使用了make_averager为它提供了series环境变量，averager对series的修改会被保存起来（伴随着averager，直到其被销毁）
