Python函数缓存策略_lru_cache应用解析【教程】_行业资讯

Python函数缓存策略_lru_cache应用解析【教程】

发布时间：2026-01-02 00:00

发布者：冰川箭仙

浏览次数：

@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。

不是所有函数都适合加缓存。以下情况推荐启用：

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：

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

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