Python开发中，将函数间数据写入内存辅助开发测试是否合理？

核心问题结论 #

在**同一个Python交互式会话（比如Python Shell、Jupyter Notebook）**中，多次运行脚本片段时，是可以用内存存储数据并复用的；但如果是每次单独启动Python进程运行完整脚本，进程结束后内存会被释放，无法跨进程复用内存数据。

内存复用的实现方法 #

1. 交互式会话/Notebook直接缓存 #

这是最便捷的方式：

• 在Python Shell中，先执行ABCDE模块的代码，将结果存入全局变量：

  # 先运行ABCDE模块
  api_result = run_abcde()
  

  之后注释掉ABC相关代码，直接用api_result为DE模块提供数据，只要不关闭当前Shell会话，变量会一直保留。
• Jupyter Notebook更灵活：把ABCDE代码放在单独单元格运行，结果存入变量后，后续只运行DE模块的单元格即可，无需重复执行API调用。

2. 模块级变量缓存 #

把缓存数据放在独立模块中，实现会话内复用：

1. 新建data_cache.py文件：

   # 初始化缓存变量
   cached_api_data = None
   

2. 在主脚本中引用：

   import data_cache
   
   # 仅在缓存为空时执行ABCDE模块
   if data_cache.cached_api_data is None:
       data_cache.cached_api_data = run_abcde()
   
   # DE模块直接使用缓存数据
   process_de(data_cache.cached_api_data)
   

   在同一个会话中反复运行主脚本时，data_cache.cached_api_data会保留之前的结果，跳过ABC模块的执行。

更标准的优化方案 #

如果需要更稳定、甚至跨会话复用数据，推荐以下方案：

1. 本地文件缓存 #

将API数据序列化到本地文件（JSON、Pickle等），既避免重复调用API，又能跨会话复用：

import json
import os

# 定义缓存文件路径
CACHE_PATH = "api_response_cache.json"

def get_api_data():
    # 检查缓存文件是否存在
    if os.path.exists(CACHE_PATH):
        with open(CACHE_PATH, "r", encoding="utf-8") as f:
            return json.load(f)
    # 缓存不存在时执行ABCDE模块
    raw_data = run_abcde()
    # 写入缓存文件
    with open(CACHE_PATH, "w", encoding="utf-8") as f:
        json.dump(raw_data, f, indent=2)
    return raw_data

# DE模块直接调用获取数据
process_de(get_api_data())

需要更新数据时，只需删除缓存文件即可重新执行API调用。

2. 函数级内存缓存（functools.lru_cache） #

如果API调用是封装在函数中的，用标准库的lru_cache装饰器可以自动缓存函数返回值，会话内复用：

from functools import lru_cache

# 装饰器标记函数结果需要缓存
@lru_cache(maxsize=None)
def run_abcde():
    # 这里是API调用及ABC模块的逻辑
    return api_response

# 第一次调用执行API，后续直接返回缓存结果
process_de(run_abcde())

注意：该方案仅支持返回可哈希类型的数据，且缓存仅在当前会话有效。

内容的提问来源于stack exchange，提问作者Crash