Python中这6个函数缓存技巧，lru_cache不是唯一选择！
在Python编程中，函数缓存是一种优化技术，它可以显著提高程序的执行效率，尤其是在处理重复计算或耗时操作时。虽然lru_cache是Python标准库中最常用的缓存工具，但它并不是唯一的选择。今天，我们将深入探讨6种不同的函数缓存技巧，帮助你更好地理解和使用这些工具。
在Python编程中，函数缓存是一种优化技术，它可以显著提高程序的执行效率，尤其是在处理重复计算或耗时操作时。虽然lru_cache是Python标准库中最常用的缓存工具，但它并不是唯一的选择。今天，我们将深入探讨6种不同的函数缓存技巧，帮助你更好地理解和使用这些工具。1. functools.lru_cache
lru_cache是Python标准库functools模块中的一个装饰器，它实现了最近最少使用（LRU）缓存策略。这个装饰器可以缓存函数的结果，当函数再次被调用时，如果参数相同，则直接返回缓存的结果，而不需要重新计算。
from functools import lru_cache
@lru_cache(maxsize=128)
def fibonacci(n):
if n < 2:
return n
return fibonacci(n-1) + fibonacci(n-2)
print(fibonacci(10)) # 输出: 55
解释：lru_cache通过maxsize参数来限制缓存的大小。当缓存达到最大容量时，最近最少使用的缓存项会被移除。这个例子中，fibonacci函数的结果被缓存，避免了重复计算。
2. functools.cache
cache是Python 3.9引入的一个简单缓存装饰器，它没有大小限制，适用于需要缓存所有结果的场景。
from functools import cache
@cache
def factorial(n):
if n == 0:
return 1
return n * factorial(n-1)
print(factorial(5)) # 输出: 120
解释：cache装饰器会缓存所有函数调用的结果，适用于那些参数范围有限且结果不会无限增长的函数。
3. 自定义缓存装饰器
如果你需要更灵活的缓存策略，可以自己实现一个缓存装饰器。下面是一个简单的实现：
def custom_cache(func):
cache = {}
def wrapper(*args):
if args in cache:
return cache[args]
result = func(*args)
cache[args] = result
return result
return wrapper
@custom_cache
def add(a, b):
return a + b
print(add(2, 3)) # 输出: 5
print(add(2, 3)) # 输出: 5 (从缓存中获取)
解释：这个自定义缓存装饰器使用了一个字典来存储函数的结果。当函数被调用时，首先检查参数是否在缓存中，如果在则直接返回缓存的结果，否则计算结果并存入缓存。
4. joblib.Memory
joblib是一个用于并行计算的库，它提供了一个Memory类，可以将函数的结果缓存到磁盘上，适合处理大数据或长时间运行的任务。
from joblib import Memory
memory = Memory(location='/tmp/cache', verbose=0)
@memory.cache
def expensive_computation(x):
return x ** 2
print(expensive_computation(4)) # 输出: 16
解释：Memory类将函数的结果缓存到指定的目录中，即使程序重启，缓存仍然有效。这对于需要长时间运行的计算任务非常有用。
5. diskcache
diskcache是一个将缓存存储在磁盘上的库，适合处理大量数据或需要持久化缓存的场景。
import diskcache as dc
cache = dc.Cache('/tmp/diskcache')
@cache.memoize()
def multiply(a, b):
return a * b
print(multiply(3, 4)) # 输出: 12
解释：diskcache将缓存存储在磁盘上，适合处理大量数据或需要持久化缓存的场景。meoize装饰器会自动将函数的结果缓存到磁盘。
6. fastapi.Cache
如果你在使用FastAPI框架，可以使用fastapi.Cache来缓存API的响应结果。
from fastapi import FastAPI, Request
from fastapi_cache import FastAPICache
from fastapi_cache.backends.inmemory import InMemoryBackend
from fastapi_cache.decorator import cache
app = FastAPI()
@app.on_event("startup")
asyncdef startup():
FastAPICache.init(InMemoryBackend())
@app.get("/items/{item_id}")
@cache(expire=60)
asyncdef read_item(item_id: int):
return {"item_id": item_id}
# 启动FastAPI应用后，访问`/items/1`，结果会被缓存60秒。
解释：fastapi.Cache可以缓存API的响应结果，适合在Web应用中使用。expire参数指定了缓存的过期时间。
实战案例：缓存API响应
假设我们有一个API，它从外部服务获取数据。由于外部服务的响应时间较长，我们可以使用缓存来优化性能。
import requests
from fastapi import FastAPI
from fastapi_cache import FastAPICache
from fastapi_cache.backends.inmemory import InMemoryBackend
from fastapi_cache.decorator import cache
app = FastAPI()
@app.on_event("startup")
asyncdef startup():
FastAPICache.init(InMemoryBackend())
@app.get("/external-data/{data_id}")
@cache(expire=300)
asyncdef get_external_data(data_id: int):
response = requests.get(f"https://api.example.com/data/{data_id}")
return response.json()
# 启动FastAPI应用后，访问`/external-data/1`，结果会被缓存5分钟。
分析：在这个案例中，我们使用fastapi.Cache来缓存外部API的响应结果。由于外部API的响应时间较长，缓存可以显著提高API的性能。expire参数设置为300秒，意味着缓存将在5分钟后过期。
总结
本文介绍了6种不同的函数缓存技巧，包括lru_cache、cache、自定义缓存装饰器、joblib.Memory、diskcache和fastapi.Cache。每种方法都有其适用的场景，选择合适的缓存策略可以显著提高程序的性能。通过实际代码示例，我们展示了这些缓存技巧的应用，并分析了它们的工作原理和优势。
更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。
想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。
- 发表于 2025-05-07 09:30
- 阅读 ( 51 )
- 分类：Python开发
