Python之functools模块之lru_cache

lru_cache

• @functools.lru_cache(maxsize=128, typed=False)
• lru即Least-recently-used，最近最少使用。cache缓存 如果maxsize设置为None，则禁用LRU功能，并且缓存可以无限制增长。当maxsize是二的幂时，LRU功能执行得最好
• 如果typed设置为True，则不同类型的函数参数将单独缓存。例如，f(3)和f(3.0)将被视为具有不同结果的不同调用

lru_cache本质

• 内部使用了一个字典
• key是由_make_key函数构造出来

from functools import _make_key
print(_make_key((4, 5), {}, False))
print(_make_key((4, 5), {}, True))
print(_make_key((4,), {'y':5}, False))
print(_make_key((), {'x':4, 'y':5}, False))
print(_make_key((), {'y':5, 'x':4}, False))

@lru_cache 
def fib(n):return 1 if n < 3 else fib(n-1) + fib(n-2)# 斐波那契数列递归版本

fib(101)# 一下就算出了斐波那契数列的第101项
# 返回结果：573147844013817084101

总结：

1.频繁使用
2.每一次获取代价高
3.一定时间内，每一次同样输入获得同样的结果，幂等性。

压力大
预热

lru_cache装饰器应用

1. 使用前提
   1. 同样的函数参数一定得到同样的结果，至少是一段时间内，同样输入得到同样结果
   2. 计算代价高，函数执行时间很长
   3. 需要多次执行，每一次计算代价高
2. 本质是建立函数调用的参数到返回值的映射
3. 缺点
   1. 不支持缓存过期，key无法过期、失效
   2. 不支持清除操作
   3. 不支持分布式，是一个单机的缓存
4. lru_cache适用场景，单机上需要空间换时间的地方，可以用缓存来将计算变成快速的查询

学习lru_cache可以让我们了解缓存背后的原理。

---

from functools import lru_cache# 导入funtools模块下的lru_cache

lru_cache?
Least-recently-used cache decorator.
缓存和命中必须相关，否则要缓存有什么用？

缓存：缓存满了后，要干掉，最近最少使用的数据
缓冲：服务器处理不了海量数据，先进缓冲，缓冲是先进先出原则

import timedef add(x, y):print('--------')time.sleep(2)return x + y# 没有缓存的版本

add(4, 5)# 每次执行都休眠2秒
# 返回结果：--------
# 返回结果：9

使用lru_cache后

@lru_cache
def add(x, y):print('--------')time.sleep(2)return x + y# 缓存版本

add(4, 5) # 加了lru_cache后第一次运行也是2秒
# 返回结果：--------
# 返回结果：9

add(4, 5) # 第2次命中缓存，直接给值
# 返回结果：9