★ FEATURED ARTICLE 不用背概念直接动手理解。我见过太多初学者在解释“闭包”的时候引用教科书定义但一写代码就露馅。闭包在Python里既不是玄学也不是炫技它就是“函数记住自己出生环境”的一种机制。搞清楚它后面学装饰器、写框架底层代码会顺非常多。这篇是Python入门系列的第三篇聚焦在闭包本身。讲清楚三个问题闭包是什么、为什么要用它、怎么写才能不踩坑。代码基于Python 3.8所有示例均可在本地环境直接运行。1. 先理解函数嵌套闭包的土壤闭包不是Python独有的概念但在Python里理解起来最直观因为一切都围绕“函数是一等公民”这个设计。这意味着函数可以被赋值给变量、作为参数传入、作为返回值返回。1.1 函数嵌套与LEGB规则Python在查找一个变量时遵循LEGB规则局部Local、包裹Enclosing、全局Global、内置Built-in。当你写嵌套函数时内层函数天然拥有访问外层函数局部变量的特权这是作用域链赋予的。def outer(): x 10 def inner(): print(x) inner()这里inner可以打印x因为x存在于outer的局部作用域中内层函数能沿着作用域链向上查找。这看起来很简单但有点容易被忽略的是这种“能访问”的能力在inner被返回出去、outer已经执行完毕之后仍然存在。这就是闭包的核心。1.2 闭包的必要条件满足以下三点的嵌套函数才算闭包存在函数嵌套内层函数引用了外层函数的局部变量外层函数将内层函数作为返回值返回def make_printer(msg): def printer(): print(msg) return printer p make_printer(你好) p()在这段代码中printer引用了外层函数make_printer的局部变量msg并将printer作为返回值返回。当你调用p()时make_printer早已执行完毕局部变量msg按常理应当已经销毁但事实是p仍然能够打印出“你好”。这就是闭包内层函数在定义时捕获了外层函数的环境中它所引用的变量并在调用时继续使用。提示闭包捕获的是变量本身不是变量的值快照。后面会专门讲这个陷阱先记住这句话。2. 闭包的运作机制环境、自由变量与代码对象要真正理解闭包不能只停留在语法层面得看一眼Python在底层做了什么。2.1 自由变量与cell对象Python中当一个内层函数引用了外层作用域中的变量时这个变量就会变成自由变量。Python解释器会把自由变量存储在一个特殊的内部结构中称为cell。函数对象会持有对这些cell的引用而不是引用变量的名称。def outer(): x 1 def inner(): return x return inner inner_func outer() print(inner_func.__code__.co_freevars) print(inner_func.__closure__)运行结果会显示co_freevars是(x,)而closure是一个包含一个cell对象的元组。你甚至可以手动查看cell中存储的值cell inner_func.__closure__[0] print(cell.cell_contents)这就是闭包的物理实锤cell容器保存了自由变量的当前值函数对象持有了这个容器的引用所以调用时能取到最新的值。2.2 为什么说闭包“记住”了环境想象你在食堂办了张饭卡卡里存了钱。办卡处可以注销食堂窗口可以关闭但只要饭卡在你去任何关联的窗口都能刷出余额来。闭包就是这张饭卡。外层函数是办卡处它执行完毕不等于卡里的钱消失因为卡本身内层函数还攥在手里。在Python中可以通过访问.__closure__来验证自由变量是否保留这是调试闭包问题的最直接手段。2.3 nonlocal的作用修改外部变量默认情况下如果在内层函数中直接对外层变量赋值Python会视为在内层创建了一个同名局部变量这不会影响外层变量。若想修改外层变量必须使用nonlocal声明。def counter(): count 0 def add(): nonlocal count count 1 return count return add c1 counter() print(c1()) print(c1()) print(c1())没有nonlocal这段代码会抛UnboundLocalError。加上nonlocal之后count就变成了自由的修改对象。这是实现闭包型计数器的关键。3. 闭包的现实应用从计数器到核心框架闭包最大的价值在于它让你以极其轻量的方式保存状态而不需要引入类定义。3.1 状态保持计数器与缓存需要保存“上一次的值”时闭包是最轻量的方案之一不必定义完整的类。比如实现CVM风格的倒数定时器只需几行def make_reminder(total): current total def tick(): nonlocal current current - 1 if current 0: print(f剩余 {current} 次) else: print(时间到) return current return tick r make_reminder(3) r() r() r()对比类写法class Reminder: def __init__(self, total): self.total total self.current total def tick(self): self.current - 1 ...类也能做但闭包在某些场景下代码更紧凑不需要定义__init__、self等模板式结构。3.2 装饰器闭包的王者应用装饰器语法糖decorator本质上就是把函数传给装饰器函数装饰器内部通过闭包包装原函数并返回新的函数。掌握闭包是看懂装饰器源码的必经之路。很多人初学装饰器看到两层嵌套就头疼。实际上理解了闭包装饰器就是“外层收函数内层收参数”的工厂函数。下面这个例子是给函数记录执行耗时的装饰器import time def timer(func): def wrapper(*args, **kwargs): start time.perf_counter() result func(*args, **kwargs) elapsed time.perf_counter() - start print(f{func.__name__} 耗时 {elapsed:.4f} 秒) return result return wrapper timer def sleep_demo(): time.sleep(0.2) sleep_demo()这里的wrapper就是一个闭包它捕获了func变量。当使用timer时Python执行了sleep_demotimer(sleep_demo)外层函数返回wrapper原函数就被包裹在闭包中。每一次调用sleep_demo实际执行的是wrapper而wrapper内部记得原本的func。这套机制完全建立在闭包之上。3.3 配置复用与延迟计算闭包很适合做“配置一次多次复用”的模板式结构。def make_api_client(base_url): token base_url def request(path): return fGET {token}{path} return request client make_api_client(https://example.com/api) print(client(/users)) print(client(/orders))每次调用client时都能访问捕获的base_url你不必反复传参。这类模式在构建小型工具库时异常好用。4. 实操最典型的闭包项目——TODO状态管理器闭包的知识点单独看都不难难的是组合运用。下面这个项目我把状态保持、装饰器、nonlocal和调试手段都揉在一起你来跟着写一遍就能彻底搞懂。4.1 项目需求设计某开发者在维护一个活动流程模板系统内部简称“模拟项目X”核心功能是统计各类活动流程待处理事项数量且要区分不同任务类型的优先级。他决定用函数来组织逻辑多任务需要共享同一个状态而不因函数调用结束而重置。需求有三点不采用类以函数式风格组织代码各任务处理函数之间共享一个待办数组支持任务完成的成功回调与失败回调4.2 完整代码实现def create_todo_system(): todos [] completed_count 0 def add_todo(priority, content): nonlocal completed_count todos.append({priority: priority, content: content, done: False}) print(f已添加任务{content}优先级 {priority}) def complete_todo(index): nonlocal completed_count if 0 index len(todos): todos[index][done] True completed_count 1 print(f已完成任务{todos[index][content]}) else: print(任务索引无效) def show_todos(): for idx, todo in enumerate(todos): status √ if todo[done] else · print(f{idx}. {status} {todo[content]} 优先级{todo[priority]}) print(f总任务数 {len(todos)}已完成 {completed_count}) def get_stats(): return {total: len(todos), done: completed_count} return add_todo, complete_todo, show_todos, get_stats4.3 验证与调试记录这份代码跑起来正好展示了闭包的典型场景。三个返回函数共享同一个todos列表和completed_count变量。调用create_todo_system之后这些函数都捕获了同一组cell。多次调用add_todo再调用show_todos能看到状态一直被正确保留。调试时可以随时使用函数对象自带的可追踪属性add, complete, show, stats create_todo_system() add(1, 调研阶段) add(2, 原型阶段) add(3, 测试阶段) show() complete(1) show() print(add.__closure__)__closure__输出会显示两个cell对象对应todos和completed_count。通过cell.cell_contents查看内容for cell in add.__closure__: print(cell.cell_contents)这样就能看到闭包“内部状态”的真实存在对理解记忆工作方式极有帮助。同时这里也体现了装饰器的一种链路如果你在后面想把add_todo包装为日志记录器闭包捕获方式不变装饰器能直接组合使用。5. 常见陷阱与避坑指南闭包本身并不复杂但实际使用时有一批经典问题容易踩中要格外注意。5.1 循环变量陷阱这是闭包最经典的一个坑funcs [] for i in range(3): def f(): print(i) funcs.append(f) for func in funcs: func()输出结果会是什么呢三次都打印2而不是0、1、2。原因在于循环结束后变量i的最终值是2所有f函数捕获的都是同一个cellcell里存的其实是当前值2。修改方案是用默认参数绑定固定值或用工厂函数绑定参数funcs [] for i in range(3): def f(ii): print(i) funcs.append(f) for func in funcs: func()这里默认参数法让i在定义函数时被绑定为当前值本质上是在参数默认值中固定了它。注意在新版Python中如果在循环体内用lambda也会面临同样的问题解决方案同样是默认参数。原理相同。5.2 闭包与内存占用闭包会导致外层函数局部变量在函数结束后仍然存活这是设计使然。但如果外层变量是一个大数据对象且被长时间持有内存占用就会上升。这时应该考虑是否真的需要把大对象放入闭包或者明确使用del删除不再需要的变量。要特别清楚的是即使是避免“大对象占用”闭包并不会因为外层函数执行结束就自动释放这些变量因为函数对象持有着cell引用。5.3 闭包与Lambda的差异lambda本质上是一种简写的匿名函数它是函数对象但闭包指代的是“捕获环境”的行为。lambda内部可以捕获外部变量因此lambda也能构成闭包。在调试时lambda带来的问题往往是可读性差尤其是多层嵌套时不如用def结构清晰。写闭包场景我一般情况下更推荐def。5.4 警惕可变默认参数的副作用闭包本身不涉及可变默认参数但当你用默认参数技巧处理循环陷阱时如果默认参数是可变类型如列表、字典就要小心所有调用可以共享同一个默认对象。建议只在绑定简单不可变对象时使用该技巧。5.5 调试手段速查遇到“变量未定义”报错先确认nonlocal是否声明遇到“修改后外层变量不变”检查是否内层重名了新变量查询自由变量名print(inner.code.co_freevars)查询捕获值print(inner.closure[0].cell_contents)我用这个速查表排查过的闭包问题不下十次没有一次失手。6. 闭包的代码写法几个实用范式这里提供几个实际开发中非常常见的闭包范式代码量小功能实用适合直接用于演练。6.1 惰性求值闭包可以实现惰性求值。也就是计算不立刻执行而是推迟到真正需要时执行。def lazy_add(x, y): def add(): return x y return add lazy_result lazy_add(3, 5) # 此刻计算并未发生 print(lazy_result())在某些场景下惰性求值可以节省不必要的计算资源。当创建开销大且不一定被使用到时这种写法很合适。6.2 幂等配置模板另一种场景是模板构建器用一个闭包预先封装好一套配置模板不同模块使用时再填入变量。def configurable_logger(prefix): def log(msg): print(f[{prefix}] {msg}) return log logger_a configurable_logger(模块A) logger_b configurable_logger(模块B) logger_a(启动) logger_b(启动)这个模式在日志系统、告警系统、消息通知系统中非常常见。前缀被捕获进各自的闭包里互不干扰。6.3 私有数据模拟很多人不知道闭包可以模拟“私有”成员。外层函数的局部变量对外层以外的代码是隔离的只有内层函数能操作它。这不只是一个语法特性而是一种信息封装的实现方式。def create_account(initial_balance0): balance initial_balance def deposit(amount): nonlocal balance balance amount return balance def withdraw(amount): nonlocal balance if amount balance: raise ValueError(余额不足) balance - amount return balance def get_balance(): return balance return deposit, withdraw, get_balance deposit, withdraw, get_balance create_account(100) print(deposit(50)) print(withdraw(30)) print(get_balance())调用create_account后外部代码没有任何直接访问balance变量的方式只有通过返回的三个函数操作账户状态。这在一次性的小型脚本里比写类更轻量同时符合封装思路。7. 闭包与面向对象的关系分析闭包与类的根本区别在哪很多教程说不清。核心区别在于状态组织方式类把状态和方法合并在一起通过实例对象管理闭包把状态隐藏在外层函数局部作用域中通过内层函数引用例如上面的银行账户例子类写法可能是class BankAccount: def __init__(self, balance0): self.balance balance def deposit(self, amount): self.balance amount两者都能实现同样的功能。类适合复杂对象、需要多重继承或需要类型检查的场景。闭包适合轻量逻辑、一次性的小工具、或需要大量工厂函数的场景。二者互补并不存在谁绝对优于谁。实际上装饰器就是一个典型的函数式封装模式它使用闭包而非类来扩展函数行为。如果需要同时维护多个不同函数的不同行为闭包的工厂模式会更灵活。反过来如果状态内部本身非常复杂、需要多个方法协同操作类的可读性往往更好。8. 闭包在我的实际项目经验中的表现我在处理一个跨平台的配置系统时曾经用闭包做过一个统一的配置模板工厂。当时的业务场景是有多个模块共享同一套配置逻辑但不同模块需要各自的配置前缀和默认值。用类实现需要定义多个子类或者反复初始化而闭包的工厂模式只用一个函数就搞定了。def config_factory(module_name, defaults): config dict(defaults) def get_config(key): return config.get(key, None) def set_config(key, value): config[key] value return get_config, set_config这套代码后来在多个内部脚本中复用几乎没有任何性能开销也没有引入额外依赖。只要你在写Python闭包早晚会出现在你的开发路径上不如现在就看明白它。另外一个实际教训是当闭包依赖的变量较多比如超过三四个自由变量时代码的可读性会明显下降。这时候建议还是考虑用类或者namedtuple整理数据结构避免多层闭包嵌套。9. 实用速查表场景推荐写法备注简单状态计数闭包nonlocal较短推荐复杂业务状态类可读性好函数增强装饰器闭包Python生态标配延迟执行闭包返回函数适合懒加载多配置模板工厂函数闭包模块间隔离私有状态闭包中变量隔离替代类的一种轻量方案循环内创建函数默认参数绑定强制每个函数持有独立值修改闭包捕获变量必须nonlocal否则报错或生成新变量10. 最后再分享一个小技巧测试闭包时别只盯着输出结果多观察函数对象自身的元数据。Python函数的__closure__属性就是调试闭包问题的“透视镜”。如果你发现__closure__为None说明这个函数没有捕获自由变量不是闭包如果包含cell但值不是你期望的就可以通过cell.cell_contents直接看到“闭包眼中的世界”。闭包的核心秘密就一句话它捕获的是承载环境变量的容器不只是数据本身。理解了这句话你调试闭包和写装饰器时会一下子顺畅很多。
阅读完成 · 觉得有帮助？
