`functools.lru_cache` —— 一行代码搞定缓存加速

1. 知识点简介

缓存是优化重复计算最朴素有效的手段。Python 标准库 functools.lru_cache 提供 最近最少使用（LRU）缓存 装饰器，只需要加一行 @lru_cache，就能让纯函数自动缓存结果，大幅提速。Python 3.9+ 还新增了更简洁的 @cache（等效于 @lru_cache(maxsize=None)）。

核心价值：

• 减少重复计算，尤其适合递归、动态规划、频繁调用的纯函数
• 内置 LRU 淘汰策略，内存可控
• 透明使用，函数签名和类型注解不受影响
• 自带的 cache_info() 可以查看命中率，辅助调优

---

2. 核心用法

from functools import lru_cache, cache

基础装饰器：

@lru_cache(maxsize=128)  # 最多缓存 128 个不同参数的结果
def expensive_func(n: int) -> int:
    print(f"⏳ 正在计算 f({n})")
    return n * n

简易版（Python 3.9+）：

@cache  # 等效于 @lru_cache(maxsize=None)，不限制大小
def fib(n: int) -> int:
    if n < 2:
        return n
    return fib(n - 1) + fib(n - 2)

---

3. 实战示例

3.1 斐波那契数列：无缓存 vs 有缓存

from functools import lru_cache
import time

# 无缓存版本
def fib_naive(n: int) -> int:
    if n < 2:
        return n
    return fib_naive(n - 1) + fib_naive(n - 2)

# 有缓存版本
@lru_cache(maxsize=256)
def fib_cached(n: int) -> int:
    if n < 2:
        return n
    return fib_cached(n - 1) + fib_cached(n - 2)

# 对比
n = 35
start = time.perf_counter()
fib_naive(n)
print(f"无缓存耗时: {time.perf_counter() - start:.4f}s")

start = time.perf_counter()
fib_cached(n)
print(f"有缓存耗时: {time.perf_counter() - start:.4f}s")

# 查看缓存统计
print(fib_cached.cache_info())  # CacheInfo(hits=32, misses=36, maxsize=256, currsize=36)

输出差异巨大：n=35 时，无缓存约 3-5s ，有缓存约 0.0001s，加速数千倍。

3.2 爬虫请求去重（实战场景）

import requests
from functools import lru_cache

@lru_cache(maxsize=200)
def fetch_page(url: str) -> str:
    """缓存已抓取的页面内容，避免重复请求"""
    print(f"🌐 请求: {url}")
    resp = requests.get(url, timeout=10)
    return resp.text

# 第一次调用 -> 发真实请求
html1 = fetch_page("https://httpbin.org/get")

# 第二次调用 -> 直接返回缓存，不发送请求
html2 = fetch_page("https://httpbin.org/get")

print(fetch_page.cache_info())
# CacheInfo(hits=1, misses=1, maxsize=200, currsize=1)

⚠️ 注意：lru_cache 的参数必须是 可哈希（hashable） 的。URL 是字符串，天然可哈希；但如果是 dict / list 类型参数，会报错。

3.3 清空与调优

# 清空所有缓存
expensive_func.cache_clear()

# 查看缓存统计
info = expensive_func.cache_info()
print(f"命中: {info.hits}, 未命中: {info.misses}, 当前大小: {info.currsize}, 最大: {info.maxsize}")

# 调整缓存大小（Python 3.8+）
expensive_func.cache_parameters()  # {'maxsize': 128}

---

4. 避坑指南

坑点	说明	解决
❌ 参数不可哈希	list、dict 等可变类型作为参数会报 TypeError	转成 tuple / frozenset，或用自定义 hash
❌ 函数有副作用	缓存跳过计算，副作用也只执行一次	只在纯函数（无副作用）上使用
❌ 内存泄漏	maxsize=None 缓存无限增长	线上环境务必设置 maxsize，或配合 cache_clear()
❌ 跨进程无效	每个进程独立缓存，多进程场景不共享	改用 Redis / Memcached 等外部缓存
❌ 默认参数导致误判	func(a=1) 和 func(1) 在 lru_cache 中算不同参数	调用时保持一致风格

---

5. 扩展：@cache vs @lru_cache(maxsize=None)

Python 3.9 引入了 @functools.cache：

from functools import cache

@cache
def get_data(key: str) -> list:
    ...

两者的区别仅在于 cache 没有限制最大缓存数量，且内部实现略快一点点。适合缓存规模可控的场景（如已知参数集合有限）。不确定时，默认用 @lru_cache(maxsize=128) 更安全。

---

6. 总结

• @lru_cache 是 Python 标准库中最被低估的利器之一
• 一行装饰器 = 完整 LRU 缓存实现，适合纯函数加速
• 动态规划、递归、API 请求去重、配置文件解析等场景特别适用
• 牢记避坑点：纯函数、可哈希参数、生产环境限 maxsize