Python之@cache装饰器的使用及说明

一、@cache装饰器的基本概念

@cache 是 Python 3.9 引入的新功能，来源于标准库 functools 模块。它的作用是 对函数结果进行缓存（记忆化 memoization），从而避免重复计算，提高程序性能。

它的定义方式非常简单：

from functools import cache

@cache
def some_function(...):
    ...

当你用 @cache 修饰一个函数时，Python 会将该函数的输入参数与计算结果自动保存到一个缓存（字典）中。当后续调用该函数且参数完全相同时，不会再次执行函数体的计算逻辑，而是直接返回之前缓存的结果。

二、工作原理

@cache 装饰器内部其实是基于 functools.lru_cache 实现的，它等价于：

from functools import lru_cache

cache = lru_cache(maxsize=None)

也就是说：

• 无限大小缓存：maxsize=None 表示缓存结果没有数量限制，会根据需要一直增长（直到你的内存允许）。
• 键值匹配：缓存根据参数 值 判断是否命中（必须是可哈希类型，如数字、字符串、元组等）。
• 返回缓存结果：命中缓存时，直接返回结果而不执行函数计算。

三、使用示例

1. 基本示例：递归斐波那契数列

from functools import cache

@cache
def fib(n):
    print(f"计算 fib({n})")
    if n < 2:
        return n
    return fib(n - 1) + fib(n - 2)

print(fib(10))  # 第一次需要计算
print(fib(10))  # 第二次直接命中缓存，不会重新计算

运行效果：

• 第一次调用会完整计算 fib(10)，输出多行 "计算 fib(n)" 的提示信息。
• 第二次调用相同参数，直接返回缓存值，不输出任何计算日志。

2. 模拟耗时计算

import time
from functools import cache

@cache
def slow_function(x):
    print(f"开始计算 {x}...")
    time.sleep(2)  # 模拟耗时
    return x * x

# 首次调用耗时
print(slow_function(5))

# 第二次调用相同参数时几乎立即返回
print(slow_function(5))

在实际场景中，如果一个函数计算代价高（如数据库查询、大文件解析、复杂计算等），使用 @cache 能显著减少重复工作。

四、注意事项

适用场景

• 适合纯函数（函数结果只依赖输入参数，且不会产生副作用）。
• 不适合需要每次实时更新的函数（例如获取当前时间、外部数据接口）。

参数限制

• 参数必须可哈希（hashable），如整数、字符串、元组等。
• 如果传入不可哈希类型（如列表、字典），会报错 TypeError: unhashable type。

内存占用

• @cache 默认缓存无限大小，可能造成内存占用增加；如果希望限制缓存大小，应使用 lru_cache(maxsize=...) 来控制。

缓存失效

• @cache 没有内置超时或自动失效机制，缓存会一直保留直到程序结束或手动清除：

your_function.cache_clear()

五、@cache与@lru_cache的区别

六、总结

• @cache 能让函数的重复调用变得快速，尤其适合计算昂贵且参数唯一性高的场景。
• 它是 @lru_cache(maxsize=None) 的简化版，功能单一但使用更简洁。
• 使用时需注意内存占用和参数类型，确保函数是“纯”的（无副作用）。
• 对于需要缓存大小控制的场景或更复杂的缓存管理，应使用 lru_cache。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。

最新评论