Python函数缓存策略_lru_cache使用解析【教程】

冷漠man 2026-01-04 00:00:00 次阅读

@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）。

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。

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。

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。