潍坊网站制作培训/seo排名第一的企业

在 Python 标准库的 functools 模块中，有个 lru_cache 装饰器，用于为一个函数添加缓存系统：

• 存储函数的输入和对应的输出
• 当函数被调用，并且给出了已经缓存过的输入，那么函数不会再运行，而是直接从缓存中获取对应的输出
• 有两个可选参数
  • maxsize 设置缓存的大小，设置后，缓存的大小就会被限制在这个值之内（缓存默认没有上限）
    • 当缓存达到上限时，最近最少使用的缓存会被移除
  • typed 如果设置为 True 后，会根据输入参数的类型分别进行缓存（默认是 False 即不分类型）
    • 例如 1 和 1.0 尽管在 Python 中是相等的，但是会被当成两个不同的输入进行缓存
• 有两个方法用于清理和查看缓存
  • cache_clear() 清空所有的缓存
  • cache_info() 返回一个包含缓存状态的命名元组，包含以下几个字段
    • hits 缓存命中的次数
    • misses 缓存未命中的次数
    • maxsize 缓存的最大容量
    • currsize 当前缓存的使用量

本质上，这个 lru_cache 装饰器是通过空间换取时间的方式来提高程序的性能，所以 lru_cache 装饰器并不适合所有的场景：

• 合适的场景
  • 具有重复计算的递归函数
  • 计算成本较高的函数
  • 计算密集型或者需要大量重复计算的函数
• 不合适的场景
  • 函数运行在内存有限的环境中
  • 函数有大量的不同输入
  • 函数有副作用，或者依赖于外部状态

通过下面的例子可以很好的理解 @lru_cache() 的用法：

from functools import lru_cache@lru_cache()
def abc(name: str):print(f'缓存 name = {name}')return nameabc('1')
# 缓存 name = 1
# '1'abc('2')
# 缓存 name = 2
# '2'abc('3')
# 缓存 name = 3
# '3'abc('1')
abc('2')
abc('3')
# '1'
# '2'
# '3'abc.cache_info()
# CacheInfo(hits=3, misses=3, maxsize=128, currsize=3)abc('3')
# '3'
abc.cache_info()
# CacheInfo(hits=4, misses=3, maxsize=128, currsize=3)abc.cache_clear()
abc.cache_info()
# CacheInfo(hits=0, misses=0, maxsize=128, currsize=0)