@lru_cache是functools中轻量级函数缓存工具，基于lru策略管理缓存，要求参数可哈希、函数为纯函数；支持maxsize设置、cache_info查看和cache_clear清空，注意类方法、递归及关键字参数顺序问题。
@lru_cache 是 Python 标准库 functools 中最常用、最轻量的函数级缓存工具，适合优化纯函数（输入相同则输出确定）的重复调用。它基于最近最少使用（LRU）策略自动管理缓存大小，无需手动维护，但用法和限制需注意。
基础用法：加装饰器即可启用
只需在函数定义前加上 @lru_cache()（括号不能省），函数首次调用结果会被缓存，后续相同参数调用直接返回缓存值：
from functools import lru_cache <p>@lru_cache() def fibonacci(n): if n < 2: return n return fibonacci(n-1) + fibonacci(n-2)</p><p>print(fibonacci(35)) # 首次较慢，之后极快
- 不带参数时等价于
@lru_cache(maxsize=128)，默认最多缓存 128 组参数结果 - 设为
@lru_cache(maxsize=None)表示无容量限制（全量缓存，慎用） - 设为
@lru_cache(maxsize=0)则禁用缓存（仅用于临时关闭调试）
缓存生效的前提条件
@lru_cache 只对满足以下条件的函数有效：
95Shop仿醉品商城
下载
95Shop可以免费下载使用，是一款仿醉品商城网店系统，内置SEO优化，具有模块丰富、管理简洁直观，操作易用等特点，系统功能完整，运行速度较快，采用ASP.NET(C#)技术开发，配合SQL Serve2000数据库存储数据，运行环境为微软ASP.NET 2.0。95Shop官方网站定期开发新功能和维护升级。可以放心使用！ 安装运行方法 1、下载软件压缩包； 2、将下载的软件压缩包解压缩，得到we
- 参数必须是可哈希类型（如 int、str、tuple），列表、字典、集合等不可哈希对象会直接报错
- 函数必须是纯函数：不依赖外部状态（如全局变量、文件、时间），也不产生副作用（如修改入参、写日志）
- 同一组参数每次调用必须返回相同结果；若函数内含
random.random()或time.time()，缓存将导致逻辑错误
查看与管理缓存状态
每个被装饰的函数自带几个实用属性和方法，便于监控和调试：
立即学习“Python免费学习笔记（深入）”；
-
func.cache_info()返回命名元组：CacheInfo(hits=xx, misses=xx, maxsize=xx, currsize=xx) -
func.cache_clear()手动清空当前函数全部缓存（例如配置变更后重置） - 缓存键由参数的
hash()值生成，因此(1, 2)和[1, 2]不可混用——后者根本无法缓存
常见避坑提示
实际使用中容易忽略的关键点：
- 类方法上慎用：实例方法默认含
self参数，若self是不可哈希对象（如普通 class 实例），会触发TypeError - 递归函数可用，但要注意缓存粒度——每层递归调用都会独立缓存，深度大时内存占用可能明显
- 线程安全：@lru_cache 是线程安全的，多线程并发调用同一函数不会导致缓存损坏
- 不支持关键字参数顺序变化：
f(a=1, b=2)和f(b=2, a=1)被视为不同调用（因参数名参与哈希）
