Python函数缓存策略_lru_cache使用解析【教程】 返回列表

@lru_cache适用于计算开销大、调用频繁、参数可哈希且无副作用的纯函数，如递归计算、固定配置解析；不适用含I/O、随机数或不可哈希参数的函数。

@lru_cache 是 Python 标准库 functools 中最常用、最实用的函数缓存装饰器。它基于“最近最少使用”（LRU）策略，自动缓存函数的返回值，避免重复计算，特别适合纯函数（相同输入总返回相同输出，且无副作用）。

什么时候该用 @lru_cache？

适用于：计算开销大、调用频繁、参数可哈希、结果不随外部状态变化的函数。

• 递归函数（如斐波那契、阶乘）——避免指数级重复调用
• 解析固定配置或 JSON 文件的函数（内容不变时，只需读一次）
• 数值计算、字符串处理等确定性逻辑（如文本标准化、坐标转换）

不适用：含 I/O、随机数、全局变量依赖、可变参数（*args/**kwargs需谨慎）、不可哈希参数（如 list、dict）的函数。

基础用法与参数控制

最简写法：@lru_cache()，启用默认缓存（最大 128 条目，不设限用 @lru_cache(maxsize=None)）。

立即学习“Python免费学习笔记（深入）”；

• maxsize：缓存条目上限。设为 None 表示无限制；设为 0 则禁用缓存（仅用于调试对比）
• typed：是否区分参数类型（如 f(1) 和 f(1.0) 是否视为不同调用）。默认 False，设为 True 可提升类型敏感场景的准确性

示例：

@lru_cache(maxsize=128, typed=True)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

缓存管理与调试技巧

缓存对象自带统计和清理方法，方便观察和干预：

• fibonacci.cache_info() 返回命名元组：CacheInfo(hits=..., misses=..., maxsize=..., currsize=...)
• fibonacci.cache_clear() 手动清空缓存（例如配置更新后重载）
• 注意：缓存键由所有位置参数和关键字参数的值及顺序共同决定，且要求全部参数可哈希

若函数含不可哈希参数（如 dict），可先转为 frozenset 或 json 字符串再传入，或改用自定义缓存逻辑。

常见陷阱与规避建议

容易忽略但影响稳定性的问题：

• 内存泄漏风险：maxsize=None + 参数组合极多 → 缓存无限增长。生产环境建议显式设合理上限
• 未考虑线程安全：@lru_cache 本身线程安全，但若被缓存函数内部修改了共享状态，仍可能引发竞态
• 装饰器顺序错误：若与其他装饰器（如 @staticmethod）混用，@lru_cache 必须在最内层（即离函数定义最近）
• 类方法缓存需谨慎：实例方法会把 self 当作参数缓存，导致不同实例相互干扰。应改用 @classmethod 或对参数做脱敏处理