因为@lru_cache不支持自动ttl过期，需手动清理易致脏数据；cachetools.ttlcache每次访问自动校验过期，支持线程安全、单调时钟和动态配置，更可靠。
为什么不用 @lru_cache 而选 cachetools.TTLCache
@lru_cache 默认不支持 TTL（Time-To-Live），过期时间得靠手动清空或重写逻辑，实际业务中容易漏掉清理、导致脏数据；cachetools.TTLCache 在每次 get 或 __contains__ 时自动检查过期，更可靠。它还支持线程安全（需传 maxsize 且非 None）、可定制 ttl 和 timer（比如用 time.monotonic 避免系统时间回拨问题）。
常见错误现象：用 @lru_cache(maxsize=128) + time.time() 手动判断时间戳，但没在每次访问时校验，缓存项永远不淘汰；或者忘了加锁，在多线程下调用 cache.clear() 误伤其他 key。
- 必须显式传
maxsize（哪怕设为128），否则TTLCache内部不会启用过期检查逻辑 - 默认
timer=time.time，若服务可能跨时区或系统时间被 NTP 调整，建议换timer=time.monotonic - 不支持异步函数装饰——如果被缓存的是
async def，得用cached(cache=...)+ 手动 await 包装，不能直接@cached
怎么初始化一个线程安全的 TTL 进程级缓存
进程级意味着所有线程共享同一份缓存实例，所以初始化一次、全局复用即可。关键点是：开 maxsize、关 typed（除非真需要区分 int(1) 和 float(1.0)）、配好 timer。
import time from cachetools import TTLCache <h1>推荐初始化方式：线程安全 + 单调时钟 + 显式大小</h1><p>cache = TTLCache( maxsize=512, ttl=300, # 5 分钟 timer=time.monotonic ) </p>
-
maxsize=0等价于无限制，但此时 TTL 检查仍有效；不过不推荐，内存可能无限增长 - 不要在函数内重复创建
TTLCache()实例，那只是局部变量，起不到进程级共享作用 - 如果用在 FastAPI/Flask 的依赖注入里，确保它是模块级全局变量，或通过
lifespan注册单例
怎么安全地读写缓存（避免 KeyError 和竞态）
TTLCache 本身不是 dict 子类，但支持 __getitem__、__setitem__、get()。但直接用 cache[key] 在 key 不存在或已过期时会抛 KeyError；而 cache.get(key) 返回 None（即使值本身是 None），无法区分“未命中”和“存了 None”。更稳妥的做法是始终用 get + 显式判断，并配合 setdefault 避免重复计算。
# 安全读取：先 get，再按需计算并 set
def get_user_profile(user_id: int):
key = f"user:{user_id}"
value = cache.get(key)
if value is not None:
return value
# 计算并写入（注意：这里没锁，高并发下可能重复计算一次，可接受）
value = _fetch_from_db(user_id)
cache[key] = value
return value
<h1>或用 setdefault（内部有锁，但仅限 cache 实例启用了 maxsize）</h1><p>value = cache.setdefault(key, _fetch_from_db(user_id))
</p>
-
setdefault是原子操作，但只在maxsize > 0时才真正加锁；maxsize=None下它退化为普通 get+set，无锁 - 不要用
cache[key] = ...后立刻cache[key]判断是否写入成功——过期间隔内可能已被淘汰 - 如果业务要求强一致性（比如金融类场景），缓存层应配合版本号或更新时间戳，TTLCache 本身不提供 CAS 能力
怎么验证缓存是否真的在淘汰、有没有内存泄漏
最直接的方式是观察 cache.currsize 和 len(cache)（二者等价），配合定时日志；也可以用 cache.popitem() 手动触发淘汰看行为。注意：currsize 只统计未过期项，过期项会在下次访问时惰性清理，所以刚过期时 currsize 不会立刻下降。
# 日志示例：每分钟打一次缓存状态
import logging
logging.info(f"cache size={cache.currsize}, hits={cache.hits}, misses={cache.misses}")
-
cache.hits/cache.misses需要初始化时加getsizeof=lambda x: 1才开启统计（默认关闭） - 用
objgraph查看TTLCache实例引用链，确认没有意外闭包持有了大对象（比如把整个 request 对象塞进缓存） - 如果发现
currsize持续上涨不降，大概率是ttl设得过大，或timer被篡改（比如混用了time.time和time.monotonic）
TTLCache 的淘汰不是后台线程驱动的，而是访问驱动的——没人查，过期项就一直占着内存。这点和 Redis 的被动+主动混合淘汰不同，生产环境要注意低频 key 的内存滞留风险。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
