cachetools,一个实用的 Python 库

大家好，我是木木。

今天给大家分享一个实用的 Python 库，cachetools。

cachetools

cachetools 是一个专门处理本地缓存的 Python 库。它提供了 LRU、LFU、FIFO、TTL 等多种缓存容器，也提供 cached、cachedmethod 这类装饰器，让函数结果缓存变得很轻量。相比直接用普通 dict，它更适合需要控制容量、过期时间和淘汰策略的场景；相比引入 Redis，它又少了服务依赖，特别适合进程内热点数据、配置结果、轻量 API 响应和计算结果复用。

项目地址：https://github.com/tkem/cachetools

官方文档：https://cachetools.readthedocs.io/

三大特点

策略丰富

内置 LRU、LFU、FIFO、RR、TTL 等策略，能按访问模式选择缓存。

装饰便捷

用 cached 给函数加缓存，改动小，适合包住纯计算和轻量查询。

进程内轻量

没有外部服务依赖，适合单进程或单实例里的热点数据复用。

最佳实践

安装方式：pip install cachetools。

第一段代码解决的问题是：用 LRUCache 控制缓存容量，并验证最近使用的 key 会被保留，较久未使用的 key 会被淘汰。

fromcachetoolsimportLRUCachefromimportlib.metadataimportversioncache=LRUCache(maxsize=3)forkeyin["pep8","pep20","pep249"]:cache[key]=key.upper()_=cache["pep8"]cache["pep333"]="WSGI"print("package:",version("cachetools"))print("keys:",list(cache.keys()))print("contains pep20:","pep20"incache)print("contains pep8:","pep8"incache)

第二段代码解决的问题是：用 TTLCache 给值设置生命周期。它适合缓存短时间有效的 token、配置、接口结果或临时状态。

importtimefromcachetoolsimportTTLCachecache=TTLCache(maxsize=2,ttl=1)cache["token"]="cached-value"print("before sleep:",cache.get("token"))time.sleep(1.2)print("after sleep:",cache.get("token","expired"))print("live keys:",list(cache.keys()))

环境与版本信息

本文示例使用 Python 3.11.0，cachetools 7.0.6。示例全部是进程内缓存，不需要 Redis、Memcached 或数据库服务。

高级功能

进阶一点看装饰器缓存。cached 很适合包住输入稳定、输出可复用的函数，例如格式归一化、轻量配置查询、规则匹配和较慢的纯计算。要注意的是，缓存 key 默认来自函数参数，如果参数里有不可哈希对象，就要显式设计 key 函数。

fromcachetoolsimportcached,LRUCachecalls={"count":0}@cached(cache=LRUCache(maxsize=4))defnormalize_user(name):calls["count"]+=1returnname.strip().lower().replace("","-")print(normalize_user(" Alice Chen "))print(normalize_user(" Alice Chen "))print(normalize_user(" Bob Li "))print("real calls:",calls["count"])print("cache info:",list(normalize_user.cache.keys()))

适用场景

适合本地热点数据、短生命周期接口结果、重复计算结果、配置读取、函数级 memoization，以及不想为了小缓存额外部署 Redis 的工具型项目。

不适用场景

不适合多进程共享缓存、跨机器一致缓存、需要持久化恢复、需要复杂失效通知、或者缓存命中必须被集中观测和统一治理的生产场景。

上线检查

1. 给缓存设置明确的 maxsize 或 ttl，不要让进程内存无限增长。
2. 对缓存 key 做测试，避免不同用户或不同权限的数据被错误复用。
3. 评估多进程部署下的缓存一致性，必要时改用 Redis 这类共享缓存。

总结

cachetools 的价值在于把缓存策略做得足够简单。小到一个函数，大到一组本地热点数据，只要边界清楚，它能用很少代码换来稳定的性能收益。