如何使用Python内置缓存装饰器: @lru_cache，@cache 与 @cached_property

这篇文章距离上次修改已过233天，其中的内容可能已经有所变动。

在Python中，functools模块提供了几个用于函数装饰的工具，其中包括缓存装饰器。

@lru_cache: 使用最近最少使用（LRU）算法实现的缓存。它会缓存函数的返回值，并且会在再次调用相同参数的时候直接返回缓存的结果。

from functools import lru_cache

@lru_cache(maxsize=128)  # 可以指定缓存的大小
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

print(fibonacci(38))  # 使用缓存后，计算较大的数值会更快

@cache: 是@lru_cache(maxsize=None)的快捷方式，没有指定缓存的大小，所以缓存将会保存所有的调用记录。

from functools import cache  # 等同于lru_cache(maxsize=None)

@cache
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

print(fibonacci(38))  # 使用没有大小限制的缓存后，计算较大的数值可能会变慢

@cached_property: 装饰器用于只在属性第一次被访问时进行的计算。之后的访问将直接返回同样的结果，而不再重新执行函数。

from functools import cached_property

class MyClass:
    def __init__(self):
        self._value = 0

    @cached_property
    def compute(self):
        self._value += 1
        return self._value

obj = MyClass()
print(obj.compute)  # 第一次调用会执行函数，并缓存结果
print(obj.compute)  # 再次调用将直接返回缓存的结果

以上代码展示了如何使用这些缓存装饰器。需要注意的是，@cached_property通常用于类属性的缓存，而其他两个主要用于函数的缓存。在使用缓存时，需要注意缓存的大小和清理策略，以确保内存使用保持在合理范围内。

如何使用Python内置缓存装饰器: @lru_cache，@cache 与 @cached_property

评论已关闭

推荐阅读