当前位置： 主页 > 新闻动态 > 技术帮助

Python函数缓存机制_lru_cache解析【指导】

发布日期： 2026-01-01 阅读量： 作者： 舞姬之光

@lru_cache是functools中基于LRU策略的内存缓存装饰器，要求参数可哈希且函数为纯函数；支持maxsize控制容量，提供cache_info和cache_clear等管理方法。

@lru_cache 是 Python 标准库 functools 中提供的一个装饰器，用于为函数结果做内存缓存，避免重复计算，特别适合纯函数（相同输入总返回相同输出、无副作用）。

缓存原理与触发条件

它基于“最近最少使用”（LRU）策略管理缓存：当缓存满时，自动淘汰最久未被调用的条目。只有满足以下条件才会命中缓存：

函数调用参数完全一致（包括顺序、类型、值）；
参数必须是可哈希的（如 int、str、tuple，但 list、dict 不行）；
函数未被重新定义或重载（缓存绑定在函数对象上）。

基本用法与常用参数

最简写法：@lru_cache()，启用默认缓存（最大容量 128，不设上限）。更常见的写法是显式控制大小：

@lru_cache(maxsize=128)：限制最多缓存 128 组输入输出；
@lru_cache(maxsize=None)：不限制大小，适合参数组合有限且确定的场景；
@lru_cache(maxsize=0)：禁用缓存（仅用于调试或临时关闭）。

查看与管理缓存状态

装饰后函数会新增三个实用方法和属性：

func.cache_info()：返回命名元组 CacheInfo(hits, misses, maxsize, currsize)，用于监控命中率；
func.cache_clear()：清空当前所有缓存，适合数据源更新后重置；
缓存键由 hash(args) + hash(kwargs.items()) 生成，因此需确保参数可哈希。

典型适用与慎用场景

适合：递归计算（如斐波那契）、IO 不敏感的数值转换、配置解析、固定查询逻辑；

慎用：含时间/随机/全局状态的函数、参数含不可哈希对象（如 dict/list）、高并发下共享缓存可能引发一致性问题。

上一篇: Mac如何整理桌面文件_Mac使用堆栈功能一键整理

下一篇: Win11怎么清理C盘系统错误报告_Win11清理系统错误报

南昌壹佳企网络通信有限公司

关注官方公众号

关于我们

服务项目: 网站建设运营推广小程序短视频

推广方案

案例中心: 网站案例广告设计营销传播影像大片