Python 的 functools.lru_cache 有什么用？使用时要注意什么？

简化版

functools.lru_cache 是函数结果缓存装饰器，会根据函数参数缓存返回值，重复调用相同参数时直接返回缓存结果。它适合纯函数和计算昂贵的函数，但参数必须可哈希，并且要注意缓存大小、内存占用和数据过期问题。

详细版

示例：

from functools import lru_cache

@lru_cache(maxsize=128)
def fib(n):
    if n < 2:
        return n
    return fib(n - 1) + fib(n - 2)

没有缓存时，递归斐波那契会重复计算大量子问题；加上 lru_cache 后，相同 n 的结果只计算一次。

注意点：

函数参数必须是可哈希对象，比如整数、字符串、元组。
不适合缓存依赖外部状态、时间、数据库实时数据的函数，除非你能接受旧数据。
maxsize 控制最多缓存多少组结果，None 表示不限制大小。
可以用 cache_info() 查看命中情况，用 cache_clear() 清空缓存。

print(fib.cache_info())
fib.cache_clear()

面试回答要同时讲收益和边界：它能减少重复计算，但不是分布式缓存，也没有自动过期时间。

完整版教学

一、lru_cache 是什么

lru_cache 是标准库 functools 提供的装饰器。

from functools import lru_cache

@lru_cache(maxsize=128)
def query(key):
    ...

当你第一次调用：

query("a")

函数正常执行，并把参数 "a" 对应的结果存入缓存。下一次再调用 query("a")，如果缓存还在，就直接返回上次结果。

LRU 是 Least Recently Used，表示缓存满了以后，优先淘汰最近最少使用的条目。

二、为什么递归里很常用

看斐波那契：

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

计算 fib(5) 会重复计算 fib(3)、fib(2) 等子问题。

加缓存：

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

每个 n 只计算一次，复杂度会从指数级重复递归明显降低。

三、缓存键如何生成

lru_cache 会根据函数参数构造缓存键，所以参数必须可哈希。

可以：

@lru_cache
def f(x: int, name: str):
    ...

不可以：

@lru_cache
def f(items: list[int]):
    ...

列表不可哈希，会报 TypeError。

如果确实要缓存列表含义，可以把列表转成元组：

@lru_cache
def f(items: tuple[int, ...]):
    ...

f(tuple([1, 2, 3]))

四、哪些函数适合缓存

适合缓存的函数通常有这些特征：

相同输入总是得到相同输出；
计算成本较高；
参数空间不会无限膨胀；
结果可以在一段时间内复用；
没有写数据库、发消息这类副作用。

例如：

递归动态规划；
解析配置；
编译模板；
本地纯计算。

不适合直接缓存：

依赖当前时间的函数；
查询实时数据库的函数；
依赖用户权限变化的函数；
有副作用的函数。

五、maxsize 怎么选

@lru_cache(maxsize=128)

表示最多保留 128 组调用结果。缓存满了会淘汰最近最少使用的结果。

@lru_cache(maxsize=None)

表示不限制缓存大小。它可能带来内存增长风险，除非你确定参数种类有限。

工程里 maxsize 不应该随手写很大，要根据参数分布和内存预算设置。

六、缓存观测和清理

lru_cache 装饰后的函数有辅助方法：

fib.cache_info()

可以看到命中次数、未命中次数、最大容量、当前大小。

fib.cache_clear()

可以清空缓存。

在测试里，如果缓存影响用例隔离，记得清理缓存：

def test_fib():
    fib.cache_clear()
    assert fib(10) == 55

七、常见误区与追问

记忆钩子：lru_cache 缓的是“同样入参对应的返回值”。它适合纯函数和重复计算，不适合把变化的外部世界偷偷缓存起来。

误区：加了 lru_cache 函数一定更快。 第一次调用仍要计算，缓存还会带来哈希、锁和内存开销；只有重复调用比例高、计算成本明显时才划算。
追问：为什么参数必须可哈希？ 缓存需要用函数参数构造 key 放进字典，列表、字典这类可变不可哈希对象不能直接作为缓存键。
误区：缓存结果会自动随数据库或文件变化更新。 lru_cache 不知道外部数据源是否变化，缓存失效要靠 cache_clear()、版本参数或更明确的业务缓存策略。
追问：maxsize=None 有什么风险？ 它表示不限制缓存数量，长生命周期服务中可能因参数种类不断增长而占用越来越多内存。
误区：实例方法加 lru_cache 只按业务参数缓存。 实例方法的 self 也参与 key；如果大量实例调用同一方法，缓存可能按实例分裂，甚至延长实例生命周期。
追问：怎么观察缓存是否有效？ 用 func.cache_info() 查看 hits、misses、maxsize、currsize；如果 misses 很高，说明缓存命中率低，可能不值得保留。

八、加强记忆

lru_cache 是“按参数缓存函数结果”的装饰器，适合纯计算和重复子问题。它快的前提是参数可哈希、结果可复用、缓存大小可控。面试时要讲清它不是万能缓存：没有自动过期，不适合实时数据和副作用函数。

简化版

详细版