一、缓存机制的核心价值

在计算密集型应用中，重复计算相同参数会导致性能瓶颈。Python的functools.lru_cache装饰器通过最近最少使用(Least Recently Used)算法自动缓存函数结果，显著提升程序执行效率。

二、lru_cache核心参数解析

@lru_cache(maxsize=128, typed=False)

• maxsize：缓存容量（默认128），设置为None则不限制大小
• typed：是否区分参数类型（默认False），如1和1.0视为相同

三、斐波那契数列优化案例

传统递归实现存在指数级时间复杂度：

def fib(n):
    if n < 2:
        return n
    return fib(n-1) + fib(n-2)

使用lru_cache优化后：

from functools import lru_cache

@lru_cache(maxsize=None)
def fib_optimized(n):
    if n < 2:
        return n
    return fib_optimized(n-1) + fib_optimized(n-2)

性能对比（计算fib(35)）：

• 原始版本：约5秒
• 优化版本：约0.0001秒

四、Web请求缓存实战

import requests
from functools import lru_cache
import time

@lru_cache(maxsize=32)
def get_api_data(user_id):
    print(f"实际请求API: {user_id}")
    response = requests.get(f"https://api.example.com/users/{user_id}")
    return response.json()

# 测试调用
start = time.time()
print(get_api_data(1))  # 实际请求
print(get_api_data(1))  # 命中缓存
print(f"耗时：{time.time()-start:.4f}秒")

输出结果：

实际请求API: 1
{"name": "张三", "age": 28}
{"name": "张三", "age": 28}
耗时：0.1234秒

五、缓存失效策略

当需要强制刷新缓存时，可通过cache_clear()方法：

fib_optimized.cache_clear()  # 清空缓存
get_api_data.cache_clear()

六、注意事项

1. 缓存的函数参数必须是可哈希的
2. 内存敏感场景需合理设置maxsize
3. 动态变化的数据源需谨慎使用
4. 可通过cache_info()查看缓存命中率