cachetools,一个性能很强的python项目!

写Python代码时，你是否遇到过同一个函数被反复调用、每次都重复计算的情况？

比如从数据库抓同一条数据，或频繁请求同一个API。这不仅慢，还浪费资源。

cachetools 模块就是为此而生——它提供了好用的缓存装饰器，帮你自动存储计算结果，大幅提升程序效率。今天咱们就来实战一把。

🔧 基础缓存：TTLCache时间失效

很多时候，我们希望缓存的数据过一段时间就自动清空，保证数据新鲜度。

TTLCache 正好解决这个需求，它能设定每个缓存项的存活时间。

from cachetools import TTLCache, cached
cache = TTLCache(maxsize=2, ttl=5)

@cached(cache)
defdouble_price(price):
return price * 2

print(double_price(100))
print(double_price(200))
print(double_price(100))  # 直接从缓存取

执行结果：

200
400
200

第一遍调用 double_price(100) 计算结果并存入缓存。

5秒内再次请求100，直接从缓存返回200，不再重复计算。超过5秒，缓存失效，函数会重新执行。

📊 LRU策略：LFUCache淘汰冷数据

内存不是无限的。当缓存装不下时，需要淘汰掉“最不常用”的数据。

LFUCache 会自动记录每个缓存项被访问的频率，优先保留高频数据，驱逐低频数据。

from cachetools import LFUCache, cached
cache = LFUCache(maxsize=2)

@cached(cache)
defget_user(name):
returnf"欢迎{name}"

print(get_user("小明"))
print(get_user("小红"))
print(get_user("小明"))  # 小明被频繁访问
print(get_user("小刚"))  # 触发淘汰

执行结果：

欢迎小明
欢迎小红
欢迎小明
欢迎小刚

缓存最多存2条数据。先存入小明、小红，再次取小明时它的访问计数上升。

存小刚时空间不足，低频的小红被淘汰，留下小明和小刚。常用的数据被保留，非常聪明的策略。

⚡ 手动控制：clear与popitem

有时你需要主动干预缓存，比如用户修改了资料，必须立即刷新缓存里的旧数据。

cachetools 提供了 clear() 清空全部，popitem() 移除指定项。

from cachetools import LRUCache
cache = LRUCache(maxsize=3)
cache[1] = "苹果"
cache[2] = "香蕉"
cache[3] = "橘子"

print(cache.popitem())
cache.clear()
print(len(cache))

执行结果：

(1, '苹果')
0

popitem() 默认移除最近最少使用的项（这里是1号苹果）。clear() 则清空整个字典。

这些手动控制让你在业务逻辑变化时灵活调整缓存内容，非常实用。

🆚 对比优势与不足

相比 functools.lru_cache，cachetools 支持时间过期(TTL)与LFU算法，更适合数据会更新的业务场景（如API限流缓存）。

不足之处：多线程环境下需要额外加锁，且内存增长需自行监控。

建议高频读取、低频写入且数据有时效性的场景优先使用。

💬 写在最后

今天我们实战了 cachetools 的三种核心缓存策略：TTLCache自动过期、LFUCache冷热淘汰、以及手动控制API。

这些工具能让你的Python代码飞起来，减少数据库压力和响应时间。

你在项目中用过哪些缓存方案？遇到过缓存穿透或雪崩的坑吗？

欢迎在评论区分享你的经验，一起交流进步！