Python如何实现LRU淘汰机制_使用functools.lru_cache装饰器-Python教程-PHP中文网

加了 @lru_cache 却没缓存淘汰是因为默认 maxsize=none，即无限缓存；只有设为正整数（如128）才启用lru淘汰机制，基于双向链表+哈希表实现。

python如何实现lru淘汰机制_使用functools.lru_cache装饰器

直接用 functools.lru_cache 就能实现标准 LRU 淘汰，但默认不淘汰（即无限缓存），必须显式设 maxsize 才真正启用 LRU 行为。

为什么加了 `@lru_cache` 却没看到缓存淘汰？

因为 lru_cache(maxsize=None) 是默认行为，等价于“无容量限制”，内部用的是字典而非带顺序的链表，根本不会触发淘汰逻辑。只有当 maxsize 设为正整数（如 128）或 128 时，才启用基于访问顺序的双向链表 + 哈希表组合结构，此时才会按 LRU 规则踢出最久未用项。

maxsize=128：缓存最多存 128 个不同参数组合的结果，超限后自动淘汰最久未调用的那一个
maxsize=1：相当于“只记最后一次调用结果”，适合状态简单、参数固定场景
maxsize=None 或省略参数：缓存全量，不淘汰，内存可能持续增长

`lru_cache` 的键是怎么生成的？哪些参数会影响缓存命中？

缓存键由函数所有位置参数和关键字参数的值共同决定，且要求参数可哈希（hashable）。常见踩坑点：

python 查询技能

查询客流数据，输出JSON格式，可直接导入Bitable等可视化工具

下载

传入 list、dict、set 等不可哈希类型会直接抛 TypeError: unhashable type
传入 numpy.ndarray 或自定义对象，若没实现 __hash__ 同样失败
关键字参数顺序不影响键（f(a=1, b=2) 和 f(b=2, a=1) 视为同一键），但参数名必须一致
如果函数接受 *args 或 **kwargs，它们会被展开参与键计算；含可变参数的函数慎用 lru_cache

如何查看/控制当前缓存状态？

lru_cache 返回的装饰后函数自带两个方法：cache_info() 和 cache_clear()，是调试和运维的关键入口：

cache_info() 返回命名元组，字段包括 hits、misses、maxsize、currsize —— 注意 currsize 是当前实际缓存条目数，不是“已用/总容量”百分比
频繁调用后发现 currsize == maxsize 但 hits 极低，说明参数组合高度分散（比如含时间戳、UUID），缓存效率差
cache_clear() 会清空整个缓存，适合配置变更、数据重载等场景；它不区分 key，是全局操作

示例：

@lru_cache(maxsize=3)
def fib(n):
    return n if n print(fib.cache_info())  # CacheInfo(hits=0, misses=1, maxsize=3, currsize=1)
fib(10)
print(fib.cache_info())  # hits 增长，currsize 不会超 3

真正用起来要盯住 currsize 和 hits/misses 比值；LRU 是否生效不看装饰器有没有写，而看 maxsize 是否设为有限值，以及参数是否稳定可哈希。