Python 中的 LRU Cache 详解
在 Python 开发中，LRU Cache（Least Recently Used Cache，最近最少使用缓存）是一种非常高效的缓存策略，它通过记录数据的访问顺序，当缓存空间达到上限时，优先剔除最长时间未被访问的数据,从而为新数据腾出空间。
在 Python 中，我们主要通过标准库 functools 模块中的 @lru_cache 装饰器来实现这一功能。
核心原理
LRU 算法的核心思想是：如果一个数据最近被访问过，那么它在未来被访问的可能性也更高。
通过这种机制，程序可以极大地减少重复执行高耗时函数（如复杂的数学计算、数据库查询或网络请求）的次数,从而显著提升程序性能。
如何使用 @lru_cache
使用方法非常简单,只需在目标函数上方添加装饰器即可。
基本语法
from functools import lru_cache
@lru_cache(maxsize=128, typed=False)
def my_function(arg):
# 执行耗时操作
return result
参数详解
maxsize:- 指定缓存的最大条目数。
- 默认为 128。
- 如果设置为
None，则缓存将无限增长,不再进行剔除操作。 - 建议设置为 2 的幂次方（如 64, 128, 256）,这在底层实现上效率更高。
typed:- 默认为
False。 - 如果设置为
True,函数会将不同的参数类型视为不同的调用。 - 在
typed=True时，f(3)和f(3.0)会被分别缓存；而在typed=False时,它们会被视为同一个调用。
- 默认为
代码示例：优化斐波那契数列
斐波那契数列的递归实现具有大量的重复计算，使用 LRU Cache 可以将其复杂度从指数级降低到线性级。
from functools import lru_cache
import time
# 使用 lru_cache 装饰器
@lru_cache(maxsize=None)
def fibonacci(n):
if n < 2:
return n
return fibonacci(n - 1) + fibonacci(n - 2)
# 测试性能
start = time.time()
print(f"结果: {fibonacci(35)}")
end = time.time()
print(f"耗时: {end - start:.6f} 秒")
缓存管理工具
@lru_cache 装饰器不仅提供了缓存功能,还为原函数添加了两个非常有用的辅助方法：
cache_info():
返回一个命名元组，显示缓存的统计信息：hits: 缓存命中次数。misses: 缓存未命中次数（即实际执行函数的次数）。maxsize: 设置的最大容量。currsize: 当前缓存中的条目数。
cache_clear():
用于手动清空缓存,让函数重新开始计算。
# 查看缓存状态 print(fibonacci.cache_info()) # 清空缓存 fibonacci.cache_clear()
使用注意事项与最佳实践
为了确保使用 lru_cache 不会引发 Bug 或内存问题,请务必遵循以下原则：
- 参数必须是可哈希的 (Hashable):
由于缓存是通过参数作为字典的键（Key）来实现的，因此函数的参数必须是不可变对象（如int,str,tuple），如果你尝试传入list或dict，程序会抛出TypeError。 - 函数必须是“纯函数” (Pure Function):
缓存的函数不应该有副作用（Side Effects），如果函数依赖于外部全局变量，或者函数执行过程中会修改外部状态，那么缓存会导致程序逻辑与预期不符，因为缓存返回的是旧的“快照”值。 - 警惕内存溢出:
如果将maxsize设置为None，且函数的参数空间非常巨大，缓存可能会消耗掉系统所有的内存，在处理大规模数据时，务必设置一个合理的maxsize。 - 适用场景:
- 计算密集型任务（如数学运算）。
- 具有相同输入、相同输出且耗时的 IO 密集型任务（如读取配置文件）。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/491353.html
