Python函数缓存机制_lru_cache解析【指导】

@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。