Python函数缓存策略_lru_cache应用解析【教程】

@lru_cache是functools中基于LRU策略的函数缓存装饰器，适用于纯函数、可哈希参数、计算开销大且调用频繁的场景；支持maxsize控制容量、typed启用类型敏感缓存，并提供cache_info和cache_clear等管理接口。

@lru_cache 是 Python 标准库 functools 中最常用、最实用的函数缓存装饰器。它通过“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，显著提升重复调用场景下的性能——尤其适合纯函数、参数可哈希、计算开销大的场景。

什么时候该用 @lru_cache？

不是所有函数都适合加缓存。以下情况推荐启用：

• 函数是纯函数：相同输入必得相同输出，不依赖外部状态（如全局变量、文件、网络）
• 参数全部是可哈希类型（如 int/str/tuple，不能是 list/dict/set 等不可哈希对象）
• 函数执行较慢（如递归计算、数值模拟、字符串解析），且被高频重复调用
• 内存可控：缓存容量不会随输入规模无限制增长（可通过 maxsize 限制）

基础用法与关键参数

直接在函数上方添加 @lru_cache 即可启用默认缓存（maxsize=128）：

示例：优化斐波那契递归

from functools import lru_cache
@lru_cache()
def fib(n):
if n < 2:
return n
return fib(n-1) + fib(n-2)
print(fib(35))  # 原本可能卡顿，加缓存后毫秒级返回

常用参数说明：

• @lru_cache(maxsize=128)：最多缓存 128 组输入-输出对；设为 None 表示无上限（慎用）
• @lru_cache(maxsize=0)：禁用 LRU 缓存，但会记录调用统计（cache_info() 仍可用）
• typed=True：开启类型敏感缓存（如 fib(1) 和 fib(1.0) 视为不同调用）

查看与管理缓存状态

缓存行为可观察、可调试：

• fib.cache_info() 返回命名元组：CacheInfo(hits=..., misses=..., maxsize=..., currsize=...)
• fib.cache_clear() 手动清空当前函数的所有缓存（适合数据更新后重置）
• 多次调用同一参数时，hits 增加，说明缓存生效

常见陷阱与规避方法

用错地方反而引发 bug 或内存泄漏：

• 不可哈希参数报错：传入 list/dict → 改用 tuple 或 frozenset 包装，或改用其他缓存方案（如手动 dict 缓存 + 自定义 key）
• 副作用函数误缓存：含 print / 写文件 / 修改全局变量的函数，加缓存会导致后续调用跳过副作用 → 切勿装饰
• 内存持续增长：maxsize=None 且输入组合极多 → 显式设置合理 maxsize，或定期 cache_clear()
• 类方法缓存失效：普通装饰器无法缓存实例方法（因 self 导致每次调用 key 不同）→ 改用 @lru_cache 在静态方法或工具函数上，或使用 methodtools.lru_cache 等扩展