Python装饰器竟能这么玩，闭包打造智能缓存提升性能

Python装饰器进阶：用闭包打造智能缓存函数

装饰器是Python中强大的语法糖，它允许在不修改原函数代码的情况下增强功能。今天我们来实现一个实用的缓存装饰器，用于优化重复计算场景的性能。

import functools
from datetime import datetime, timedelta
def cache_with_ttl(ttl_seconds=300):
    """带过期时间的缓存装饰器"""
    def decorator(func):
        cache = {
   }
        @functools.wraps(func)
        def wrapper(*args, **kwargs):
            # 创建缓存键
            key = str(args) + str(sorted(kwargs.items()))
            # 检查缓存是否有效
            if key in cache:
                result, timestamp = cache[key]
                if datetime.now() - timestamp < timedelta(seconds=ttl_seconds):
                    return result
            # 执行函数并缓存结果
            result = func(*args, **kwargs)
            cache[key] = (result, datetime.now())
            return result
        return wrapper
    return decorator
# 使用示例
@cache_with_ttl(ttl_seconds=60)  # 缓存60秒
def expensive_computation(x, y):
    """模拟耗时计算"""
    import time
    time.sleep(2)
    return x * y + x**2

这个装饰器的核心原理是利用闭包特性，在装饰器内部维护一个缓存字典。每次调用函数时，先检查参数是否已缓存且未过期，如果是则直接返回缓存结果，避免重复计算。

关键点解析：

1. functools.wraps 保留原函数元信息
2. 闭包三层结构实现参数化装饰器
3. 字典键由函数参数唯一确定
4. 时间戳实现TTL（生存时间）机制

适用场景：

这种模式在Web开发、数据处理等场景中非常实用，能够显著提升程序性能。掌握装饰器的灵活运用，能让你的Python代码更加优雅高效。

装饰器的本质是函数式编程思想的体现，通过组合而非修改来扩展功能，这也是Python语言哲学的重要组成部分。