本地缓存适用于单进程单机部署、数据不跨请求共享的场景，如函数级中间结果或配置解析对象，典型应用是计算开销大且输入确定的函数（如parse_config），但不适用于需多实例共享的数据。
本地缓存适合什么场景
当你的应用是单进程、单机部署，且缓存数据不跨请求共享（比如函数级中间结果、配置解析后对象），functools.lru_cache 或 cache_tools 这类本地缓存就足够了。它零网络开销、响应快，但只对当前 Python 进程有效。
常见错误现象：lru_cache 在 Flask/FastAPI 的视图函数上用了，结果不同请求间不共享——其实这本来就不该共享，但开发者误以为“缓存生效了”，实际只是同个进程内重复调用时命中。
- 适用：计算开销大、输入确定、生命周期短的函数结果（如
parse_config()、compile_regex()） - 不适用：用户会话状态、实时库存、多实例共享的计数器
-
maxsize设太小会导致频繁淘汰；设None虽无上限，但可能内存泄漏（尤其闭包捕获了大对象）
Redis 为什么常被选作分布式缓存
因为它是独立服务、支持多语言客户端、自带过期、原子操作和发布订阅，Python 用 redis-py 接入非常直接。但它不是万能的——网络延迟、序列化开销、连接池配置不当都会拖慢接口。
使用场景：用户登录态（session_id → user_id）、热点文章内容、限流计数器（INCR + EXPIRE）
立即学习“Python免费学习笔记（深入）”；
修正说明：1，实现真正的软件开源。2，安装界面的美化3，真正实现栏目的递归无限极分类。4，后台添加幻灯片图片的管理，包括添加，修改，删除等。5，修正添加新闻的报错信息6，修正网站参数的logo上传问题7，修正产品图片的栏目无限极分类8，修正投票系统的只能单选问题9，添加生成静态页功能10，添加缓存功能特点和优势1. 基于B/S架构，通过本地电脑、局域网、互联网皆可使用，使得企业的管理与业务不受地域
- 别把大对象（如整个 Pandas DataFrame）直塞
set()，先pickle或msgpack序列化，否则 Redis 报错WRONGTYPE Operation against a key holding the wrong kind of value - 连接池必须复用：
redis.Redis(connection_pool=pool)，否则每调用一次Redis()就新建 TCP 连接，压测时直接ConnectionRefusedError - 本地开发用
redis://localhost:6379/0，上线务必换成带密码和域名的地址，别留redis://127.0.0.1在配置里
本地 + 分布式缓存组合怎么写才不翻车
典型模式是「先查本地，未命中再查 Redis，回填本地」，但容易忽略一致性问题：Redis 数据更新了，本地副本还 stale 着。
性能影响很实际：加一层本地缓存能减少 30%~70% 的 Redis 请求，但若本地缓存时间设成 5 秒，而业务要求秒级数据新鲜度，那就白搭。
- 推荐用
dogpile.cache，它内置 region + backend 分离，支持backend='redis'和wrap='memory'组合 - 手动实现时，本地缓存 key 必须包含版本号或更新时间戳（如
f"user:{uid}:v2"），避免清不干净 - 不要在异步任务（Celery）里更新本地缓存——它和 Web 进程不共享内存，只会误导自己
什么时候该放弃缓存
如果读写比低于 10:1，或者每次查询本身不到 1ms（比如查 SQLite 里的小表），加缓存反而增加复杂度和故障面。
容易踩的坑：为“看起来高大上”而加 Redis，结果发现 GET user:123 比直接查数据库还慢——原因可能是 Redis 在另一台高延迟机器上，或没开 tcp-nodelay。
- 先用
timeit或 APM 工具确认瓶颈真在数据加载，而不是模板渲染或 JSON 序列化 - 缓存键设计别嵌套太深：
cache.get(f"report:{year}:{month}:{user.id}")比cache.get(f"report_v2_{hash((year, month, user.id))}")更易 debug - 所有缓存操作必须有 fallback：Redis 不可用时，降级走原始数据源，别让整个接口 500
缓存逻辑越靠近业务代码，就越难测试和替换。把 get_user_cache() 这种胶水函数抽成独立模块，比散落在二十个 view 里好维护得多。
