JS知识点梳理之作用域、作用域链、柯里化、闭包

瑞萨CS+仿真器高级配置指南:从原理到实战优化RX系列MCU调试 在嵌入式系统开发中,仿真器是进行早期验证和深度调试的核心工具。它通过精确模拟目标微控制器的指令集、内存和外设行为,构建了一个虚拟的硬件沙盒环境。其工作原理在于对CPU核心、时钟系统和外设接口的软件模拟,使开发者能在无物理硬件时进行代码逻辑验证、内存布局规划和时序分析。这项技术的核心价值在于大幅降低开发成本、加速问题定位,并支持复杂场景的复现与测试。在瑞萨RX系列MCU开发中,CS+集成开发环境内置的仿真器功能尤为强大。本文聚焦于**指令解码缓存**和**外设时钟比率**等关键配置的深度解析,阐述如何通过优化 阅读详情

一、作用域与作用域链

作用域是指 js 变量使用时所存在的一个区域,分为全局作用域(window)和局部作用域(function、setTimeout…等都会产生局部作用域)。当局部作用域变量名与全局作用域变量名重复时,局部变量会覆盖全局变量。

在局部作用域使用变量时,如果在自己作用域找不到对应变量,则会往上一级作用域查找,直到全局作用域,如果全局作用域无此变量则会报 undefined。相反,全局作用域中无法使用局部作用域中的变量。

window.a = 1
function(){
  // 输出 1,虽然局部没有 a 变量,但是 全局中有。
  console.log(a)
  var b = 2
}
// 报错,全局中无法使用局部变量。
console.log(b)

上面这种一层层向外查询变量的过程叫做查询作用域链。而这种一层层局部作用域直到全局作用域的结构被称为作用域链。

// 全局作用域,声明了一个全局变量 a
var a = 100

// 函数会生成局部作用域
function acs(){
  // 在此局部作用域中声明一个局部变量 b
    var b = 50
  // 输出:100, 50
  console.log(a, b) // 执行过程:在此作用域查找变量 a,
                                      // 找不到-->往上一级作用域找-->在全局找到,使用全局作用域中的a
                                      // 在此作用域查找变量 b,查找到了,使用此局部变量的 b
}()

// 输出:b is not defined
console.log(a, b)

二、闭包(Closure)

1. 闭包是什么?

闭包是指在函数外部调用函数内部的局部变量,且在调用后局部变量不会被浏览器立即回收,会一直存在的一种私有变量。再简单点说就是函数返回函数。

红宝书中的描写:闭包是指有权访问另一个函数作用域中的变量的函数。

其实闭包就是返回一个函数,且这个函数对局部变量存在引用形成的包含关系就是闭包。

其实就是创建一个不会被 GC 回收的局部变量。也正因如此,闭包才会有内存泄漏的风险,需要在每次使用完后立刻清除。

闭包的形成:当前环境中存在指向父级作用域的引用。

2. 闭包的写法

// 使用自执行函数形成闭包
var add = function(){
    let sum = 0
  return function operation(){
      return sum = sum ? sum + 1 : 1
  }
}()

// 输出:1
add()
// 输出:2
add()
// 输出:3
add()
// 输出:4
add()

// 清除闭包,删除私有变量
add = null
// 输出:null
console.log(add)
// 输出:add is not function
add()

3. 闭包的作用

使用闭包的目的――隐藏变量,间接访问一个变量,在定义函数的词法作用域外,调用函数。

闭包通常在回调函数、私有属性、函数柯里化中使用。

4. 使用闭包实现多个图片点赞功能

使用闭包完成,多图点赞单独点赞功能,且每个 input 的点赞数量互不干扰。在这个例子中利用闭包声明了 5 个新的独立词法作用域。

<!-- * @Description: 闭包实现多图点赞 * @Author: CY小尘s * @Date: 2021-07-28 18:39:33 * @LastEditTime: 2021-11-08 17:19:37 * @LastEditors: Please set LastEditors-->
<!DOCTYPE html>
<html lang="en">
  <head>
    <meta charset="UTF-8" />
    <meta http-equiv="X-UA-Compatible" content="IE=edge" />
    <meta name="viewport" content="width=device-width, initial-scale=1.0" />
    <title>闭包实现多图点赞</title>
  </head>
  <style>
    ul li {      list-style: none;      float: left;      margin: 0px 20px 20px 0px;    }    ul li img {      width: 200px;      height: 200px;    }  </style>
  <body>
    <ul>
      <li>
        <img
          class="img"
          src="https://www.keaidian.com/uploads/allimg/181206/co1Q206121F4-0-0.jpg"
          alt="你好"
        />
        <input type="button" class="add" value="当前点赞数量(1)" />
      </li>
      <li>
        <img
          class="img"
          src="https://www.keaidian.com/uploads/allimg/181206/co1Q206121F4-0-1.jpg"
          alt="你好"
        />
        <input type="button" class="add" value="当前点赞数量(1)" />
      </li>
      <li>
        <img
          class="img"
          src="https://www.keaidian.com/uploads/allimg/181206/co1Q206121F4-0-2.jpg"
          alt="你好"
        />
        <input type="button" class="add" value="当前点赞数量(1)" />
      </li>
      <li>
        <img
          class="img"
          src="https://www.keaidian.com/uploads/allimg/181206/co1Q206121F4-0-3.jpg"
          alt="你好"
        />
        <input type="button" class="add" value="当前点赞数量(1)" />
      </li>
      <li>
        <img
          class="img"
          src="https://www.keaidian.com/uploads/allimg/181206/co1Q206121F4-0-6.jpg"
          alt="你好"
        />
        <input type="button" class="add" value="当前点赞数量(1)" />
      </li>
      <li>
        <img
          class="img"
          src="https://www.keaidian.com/uploads/allimg/181206/co1Q206121F4-0-7.jpg"
          alt="你好"
        />
        <input type="button" class="add" value="当前点赞数量(1)" />
      </li>
    </ul>

    <script>
      window.onload = function () {        // 获取 ul
        let add = document.querySelectorAll("ul li input");        // 循环取出每个 input 添加上闭包
        for (let i = 0; i < add.length; i++) {          // 给每个 input 添加点击事件
          add[i].onclick = (function () {            let sum = 2;            // 返回函数,完成私有变量的创建,形成闭包
            return function () {              this.value = "当前点赞数量(" + sum++ + ")";            };          })();        }      };    </script>
  </body>
</html>

5. 使用闭包保护私有属性

创建一个计数器函数,在里面定义一个私有属性,这里通过闭包保护它不会被直接修改。

可以看见在这个例子中我们并没有直接操作 privatelyCounter,而是通过 makeCounter 主动暴露的方法来操作计数器中的 privateCounter。

// 创建一个计数器
const makeCounter = function(){
    // 创建私有变量
    var privatelyCounter = 0
    // 输出私有变量
    function console(){
        return privatelyCounter
    }
    // 更改计数器方法
    function change(num){
        privatelyCounter += num
    }
    // 暴露公有方法
    return {
        CounterAdd(num){
            change(num)
        },
        CounterSub(num){
            change(num)
        },
        CounterLog(){
            return console()
        }
    }
}
// 声明两计数器
const counter1 = makeCounter()
const counter2 = makeCounter()
counter1.CounterAdd(1)
counter1.CounterAdd(1)
counter2.CounterSub(-1)
counter2.CounterSub(-1)
// 输出:2
console.log(counter1.CounterLog())
// 输出:-2
console.log(counter2.CounterLog())

参考 前端面试题详细解答

三、使用闭包实现函数柯里化

所谓函数柯里化就是将一个多参函数转为单参函数。

// 正常求自增方法
function numAdd(x, y){
    return x + y
}
console.log(numAdd(1, 2))

// 使用闭包实现柯里化
function numAddCurry(x){
    return function(y){
        return x + y
    }
}
// 先声明一个变量拿到自增方法
const curry = numAddCurry(1)
// 在调用这个变量进行自增,输出:3
console.log(curry(2))
// 亦或者直接调用自增方法传入两个参数,输出也是:3
console.log(numAddCurry(1)(2))
五万字解析【ROOT 入门指南】 本文是cern官方root入门指南的初步翻译版,还在进一步校对中.... 阅读详情

相关推荐

SuperPoint与SuperGlue的C++ TensorRT工程化实战:从理论到部署的完整指南

本文详细介绍了如何将SuperPoint和SuperGlue算法通过C++和TensorRT进行工程化部署,从模型准备、格式转换到TensorRT引擎构建和C++推理实现。通过性能优化技巧和实际应用案例,展示了在边缘设备上实现实时特征匹配的完整流程,显著提升处理速度与效率。

weixin_42537831的博客 162

理解运用JS的闭包、高阶函数、柯里化

JS的闭包,是一个谈论得比较多的话题了,不过细细想来,有些人还是理不清闭包的概念定义以及相关的特性。 这里就整理一些,做个总结。   一、闭包 1. 闭包的概念 闭包与执行上下文、环境、作用域息息相关 执行上下文 执行上下文是用于跟踪运行时代码求值的一个规范设备,从逻辑上讲,执行上下文是用执行上下文栈(栈、调用栈)来维护的。 代码有几种类型:全局代码、函数代码、eval代码和模块代...

weixin_33937499的博客 741

Zynq7000混合启动方案:QSPI Flash引导与eMMC ext4文件系统部署实战

本文详细介绍了Zynq7000平台的混合启动方案,结合QSPI Flash引导与eMMC ext4文件系统部署,解决嵌入式Linux系统启动可靠性与大容量存储需求。通过硬件连接配置、分区规划、Petalinux工程配置及实战部署步骤,帮助开发者高效实现系统优化,提升启动速度和文件系统性能。

weixin_29190169的博客 449

javascript闭包和柯里化的深度解释

javascript成为浏览器的唯一语言,并且成为世界标准许多年,是有非常重要的理由的。《JavaScript: The Good Parts》做出了非常清晰地解释。 JavaScript:The World's Most Misunderstood Programming Language 然而,想要掌握javascript的正确编写方式并不容易。尤其是当你从教科书开始的时候,大部分给你的信息都是面向对象的东西:new, prototype,class,extend,... 这些都不是正确编写j

李菇凉的博客 695

告别手动拖拽!PyQt5/PyQt6 QTableView列宽自适应窗口的三种实战方案(附性能对比)

本文详细介绍了PyQt5/PyQt6中QTableView列宽自适应窗口的三种实战方案,包括Stretch模式、resizeEvent手动计算和ResizeToContents模式,并附有性能对比。帮助开发者解决窗口大小变化时列宽不变的常见问题,提升用户体验和开发效率。

weixin_42538752的博客 236

【数据库】SQL Server 2008 R2 安装全流程详解与常见问题避坑指南

本文详细解析了SQL Server 2008 R2的完整安装流程与核心配置。从安装前的系统兼容性检查、.NET Framework依赖准备,到图文详解实例配置、混合身份验证模式设置等关键步骤,并提供了安装失败、服务无法启动等高频问题的排查与避坑指南,帮助用户顺利完成部署。

java5的博客 1245

JS笔记:函数闭包及柯里化

闭包:闭包的功能 1、保存函数执行状态将字符串中的一些特定字符按顺序用数组中的元素替换,例如: * var arr = ['c','f','h','o']; * var str = 'ab4de8g4ijklmn7'; * 替换后 str == 'abcdefghijklmno'; * replace的用法请参考https://developer.mozilla.org/zh-CN/doc

ttwhy的博客 1193

COLMAP生成MVSNet数据集

COLMAP生成MVSNet数据集

qq_43307074的博客 5639

JS闭包与柯里化

为什么80%的码农都做不了架构师?>>> ...

weixin_34370347的博客 113

基于ART算法和SIRT算法的超声CT反演及MATLAB代码实现

在超声CT中,反演算法起着至关重要的作用,它通过从测量数据中恢复出目标物体的内部结构。本文将介绍基于ART算法(Algebraic Reconstruction Technique)和SIRT算法(Simultaneous Iterative Reconstruction Technique)的超声CT反演方法,并提供相应的MATLAB代码实现。本文介绍了基于ART算法和SIRT算法的超声CT反演方法,并提供了相应的MATLAB代码示例。基于ART算法和SIRT算法的超声CT反演及MATLAB代码实现。

2301_79326510的博客 569

20、七鳃鳗繁殖与早期生活史:从水质到养殖的全面解析

本文全面解析了七鳃鳗的繁殖与早期生活史,重点探讨了水质对幼体生存的影响、养殖密度与生长关系、变态过程的时间与大小特征,以及人工繁殖在濒危物种恢复和入侵物种控制中的应用。同时,文章分析了大规模养殖面临的挖掘基质需求、空间限制、清洁管理、疾病防控及微生物环境等挑战,并强调实验室养殖对科学研究和种群管理的重要意义。随着技术进步,未来有望扩展更多物种的繁殖研究,揭示七鳃鳗生物学的进化奥秘,实现资源的可持续利用。

l6m7n8的博客 117

JavaScript知识点梳理

JavaScript思维导图

qq_43639998的博客 496

C#面试题及详细答案120道(01-10)-- 基础语法与数据类型

C#与.NET部分重点解析了7个核心问题:1)C#与.NET的依存关系;2)值类型与引用类型的内存差异;3)装箱拆箱的性能损耗;4)string/String与int/Int32的实质等价性;5)const与readonly的初始化区别;6)可空类型的应用场景;7)ref与out关键字的参数传递机制。内容包含原理对比、代码示例和优化建议,适合开发者系统掌握C#核心概念。(1

大剑师兰特的GIS世界 1969

js 面试题

答案:原始类型:string、number、boolean、null、undefined、symbol、bigint引用类型:object、array、function、date、regexp等判断方法: typeof 'hello' // 'string' typeof 123 // 'number' typeof true // 'boolean' typeof und

lihaiting1的博客 397

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

前端基础进阶(四):详细图解作用域链与闭包

初学JavaScript的时候,我在学习闭包上,走了很多弯路。而这次重新回过头来对基础知识进行梳理,要讲清楚闭包,也是一个非常大的挑战。 闭包有多重要?如果你是初入前端的朋友,我没有办法直观的告诉你闭包在实际开发中的无处不在,但是我可以告诉你,前端面试,必问闭包。面试官们常常用对闭包的了解程度来判定面试者的基础水平,保守估计,10个前端面试者,至少5个都死在闭包上。 可是为什么,闭包如此重要,还...

Boboy 569

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

JavaScript闭包原理与手撕面试题:从作用域链到内存管理

JavaScript 的词法作用域决定了函数能访问哪些变量,而闭包则是这一机制最核心的体现。很多开发者熟悉函数嵌套,却未必理解函数执行结束后变量为何依然存在。一切都要从作用域链说起:函数定义时锁定的变量查找路径,让内部函数在外部函数返回后仍能通过引用访问到那些本应被回收的局部变量。这种特性不仅支撑了计数器、setTimeout 循环打印、柯里化等高阶用法,也带来了意外的内存占用风险。理解闭包,本质上就是理解 JavaScript 中函数执行上下文和垃圾回收的相互作用。通过手撕经典面试题,掌握 return

weixin_34354173的博客 414

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

谈谈对闭包的理解

createComparitionFunction()的活动对象并不能在它执行完毕后销毁,因为匿名函数的作用域链中仍然有对它的引用,因为匿名函数的作用域链中仍然有对他的引用。在createComparitionFunction()执行完毕之后,其上下文执行的作用域链就会销毁,但是它的活动对象仍然会保留在内存之中,直到匿名函数被销毁。是最外层的上下文,在浏览器中,全局上下文就是我们常说的window对象,因此通过var定义的全局变量和函数都会成为window对象的属性和方法。每个函数调用都有自己的上下文。

m0_67457135的博客 1176

《你不知道的JavaScript》学习佛系梳理

根据《你不知道的JavaScript》以及随缘想到的问题整理成册,如有错误,欢迎指正 Author:付紫琴 文章目录如何理解执行上下文?如何理解作用域链?块作用域和函数作用域判断一个运行中函数的 this 绑定var let const的区别什么是闭包延伸 模块模式(模块暴露)call/apply/bind作用和区别延伸:函数柯里化什么是深/浅拷贝,有哪些实现方式浅拷贝的实现方式深拷贝的实现方式如何理解原型链?继承有哪些方法1. 原型链继承2. 借用构造函数继承3.组合继承(组合原型链继承和借用构造函数.

qq_38630270的博客 932

前端高质量知识(四)-JS详细图解作用域链与闭包

攻克闭包难题 初学JavaScript的时候,我在学习闭包上,走了很多弯路。而这次重新回过头来对基础知识进行梳理,要讲清楚闭包,也是一个非常大的挑战。 闭包有多重要?如果你是初入前端的朋友,我没有办法直观的告诉你闭包在实际开发中的无处不在,但是我可以告诉你,前端面试,必问闭包。面试官们常常用对闭包的了解程度来判定面试者的基础水平,保守估计,10个前端面试者,至少5个都死在闭包上

2202

详细图解作用域链与闭包

作者:波同学  攻克闭包难题 初学JavaScript的时候,我在学习闭包上,走了很多弯路。而这次重新回过头来对基础知识进行梳理,要讲清楚闭包,也是一个非常大的挑战。 闭包有多重要?如果你是初入前端的朋友,我没有办法直观的告诉你闭包在实际开发中的无处不在,但是我可以告诉你,前端面试,必问闭包。面试官们常常用对闭包的了

web_lc的博客 1022

前端闭包题目——柯里化实现不限个数计算累加和

起初是朋友问我的一个题目,一起研究好一会 var add = function (x) { var sum = 1; var tmp = function (x) { sum = sum + x; console.log(sum, 'sum1') return tmp; } console.log(sum, 'sum2

megamind0430的博客 467

【前端面试】JS篇

本文档是一份全面的 JavaScript 面试知识点摘要。内容从作用域、闭包、this 指向、原型链等基础概念,到事件循环、Promise 与 async/await 等异步编程模型,再到垃圾回收、内存泄漏、模块化等进阶主题,均进行了系统梳理。它还涵盖了 ES6 新特性、常用设计模式和性能优化技巧,是巩固和复习前端核心知识的实用指南。

写写写写到厌倦~ 1234

JS闭包从入门到精通:原理、场景与避坑全指南

### 核心价值:保留外层函数的作用域,让函数在定义环境之外依然能访问外层变量。实现私有变量与模块化,避免全局变量污染。保存函数状态,支撑防抖、节流、柯里化等高频功能。#### 使用原则:必要时才使用闭包:闭包会占用额外内存,非必要场景避免过度使用。及时释放引用:避免闭包长期被全局持有,防止内存泄漏。避免变量共享陷阱:循环中创建闭包时,确保每个闭包访问独立的变量。最后,记住一句话:“闭包的本质是作用域的保留”,理解了执行上下文和作用域链,就理解了闭包的核心。

A2420734930的博客 779

知识梳理——JavaScript

1. 说说前端中的事件流 HTML中与javascript交互是通过事件驱动来实现的,例如鼠标点击事件onclick、页面的滚动事件onscroll等等,可以向文档或者文档中的元素添加事件侦听器来预订事件。想要知道这些事件是在什么时候进行调用的,就需要了解一下“事件流”的概念。 什么是事件流:事件流描述的是从页面中接收事件的顺序. DOM2级事件流包括下面几个阶段:事件捕获阶段、处于目标阶段、事件冒泡阶段 addEventListener:addEventListener 是DOM2 级事件新增的指定事件处

wytraining 1632
上一篇: 彻底搞懂JS原型与原型链
下一篇: 细说js变量、作用域和垃圾回收
hellocoder2029
博客等级 码龄4年 15粉丝 80原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值