Pythonlru_cache缓存使用全解析

Python 的 `@lru_cache` 是 `functools` 模块中强大而实用的性能优化工具，它通过自动实现最近最少使用（LRU）缓存机制，显著减少重复计算开销，尤其适用于输入全为不可变类型、无外部依赖、结果确定的纯函数——无论是递归斐波那契还是高频数值运算，只需一行装饰器即可大幅提升效率；它支持灵活配置缓存容量（`maxsize`）与类型敏感性（`typed`），并提供 `cache_info()`、`cache_clear()` 和 `__wrapped__` 等内置管理能力，同时需警惕类方法误用、可变默认参数及高并发下的锁竞争等常见陷阱，掌握这些细节，你就能精准、安全、高效地为关键函数“提速增效”。

@lru_cache 是 Python 标准库 functools 中提供的一个装饰器，用于为函数添加**最近最少使用（LRU）缓存**，避免重复计算，显著提升性能，尤其适合纯函数（相同输入总返回相同输出、无副作用）。

什么时候该用 @lru_cache？

适用于满足以下条件的函数：

• 输入参数全部是不可变类型（如 int、str、tuple），因为缓存键基于参数哈希；list、dict、set 等可变类型会直接报错。
• 函数逻辑稳定、无外部状态依赖（比如不读文件、不查数据库、不调用 time.time()）。
• 存在大量重复调用且计算开销大（如递归斐波那契、解析固定字符串、数值计算等）。

基础用法与参数说明

最简写法：
  from functools import lru_cache
  @lru_cache()
  def my_func(x, y):
    return x ** y + x * y

常用参数：

• maxsize：缓存最大条目数，默认 128；设为 None 表示无限制（慎用，防内存泄漏）。
• typed：是否区分参数类型，默认 False。设为 True 后，f(1) 和 f(1.0) 被视为不同调用（因 int ≠ float）。

查看与管理缓存状态

装饰后函数会自带三个实用属性和方法：

• my_func.cache_info()：返回命名元组 CacheInfo(hits, misses, maxsize, currsize)，方便监控命中率。
• my_func.cache_clear()：清空当前缓存，适合在数据源更新后重置。
• my_func.__wrapped__：访问原始未装饰函数，可用于测试或调试。

常见陷阱与注意事项

容易踩坑的地方：

• 类方法上直接加 @lru_cache 会导致每个实例缓存独立，且 self 被当作参数参与哈希 —— 通常应改用 @classmethod + @lru_cache，或用第三方库如 cached_property。
• 带默认参数的函数会被正常缓存，但注意默认值若为可变对象（如 def f(x, lst=[])），本身就有风险，与缓存无关但易混淆。
• 多线程下 @lru_cache 是线程安全的，但高并发时锁竞争可能影响性能，必要时考虑更轻量方案（如字典手动缓存 + threading.Lock）。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~