diskcache,一个很能打的python库!

当我们的Python应用需要缓存大量数据，却又不想搭建像Redis这样的外部服务时，diskcache 就像一个能直接挂在程序上的“外置硬盘大脑”。它把数据存在磁盘上，重启程序数据还在，尤其适合缓存大对象或跨进程共享数据。今天我们就来看看这个纯Python库到底有多能打。

🚀 基础操作：像字典一样简单

diskcache 的接口设计非常直观，上手几乎零成本。我们可以像操作字典一样去读写缓存。

下面这段代码展示了如何初始化一个缓存目录，并进行最基础的存取操作：

from diskcache import Cache

# 指定一个目录来存放缓存文件
cache = Cache('./my_cache')

# 存储数据，就像操作字典一样
cache['name'] = 'Pythonista'
# 或者使用 set 方法，可以设置过期时间（单位：秒）
cache.set('temp_key', '我会消失', expire=5)

# 读取数据
print(cache['name'])  
print(cache.get('temp_key'))  

执行结果如下，5秒后过期的数据就取不到了：

Pythonista
我会消失
# 等待5秒后再执行一次
print(cache.get('temp_key'))  
None

这种设计让初学者也能快速上手，不需要学习复杂的API。

⚡ 性能优化：缓存函数计算结果

在编写爬虫或进行复杂计算时，我们经常需要重复获取相同的数据。diskcache 提供了一个非常优雅的装饰器 memoize，可以像 lru_cache 一样缓存函数的返回结果，而且是持久化到磁盘的。

这个特性非常适合用来缓存API的响应结果，避免重复请求造成的资源浪费：

from diskcache import Cache
import requests

cache = Cache('./api_cache')

@cache.memoize()
deffetch_user_profile(user_id):
# 模拟一个耗时的API请求
print(f'正在请求用户 {user_id} 的数据...')
# 这里用requests.get()实际请求，为了演示我们返回模拟数据
return {'id': user_id, 'name': f'User_{user_id}'}

# 第一次调用，会执行函数体并缓存结果
print(fetch_user_profile(1))
# 第二次调用，直接从缓存返回，不会打印请求信息
print(fetch_user_profile(1))

执行结果清晰展示了缓存的效果：

正在请求用户 1 的数据...
{'id': 1, 'name': 'User_1'}
{'id': 1, 'name': 'User_1'}

这种用法让我们的程序既能享受持久化缓存的好处，又无需改动原有的业务逻辑代码。

🛡️ 并发安全：多进程共享缓存

相比内存缓存，diskcache 的一大优势就是支持多进程安全。这意味着即使你的Web应用开启了多个Worker进程，它们也能安全地读写同一个缓存目录，而不用担心数据错乱。

下面是一个简单的多线程读写演示：

from diskcache import Cache
import threading

cache = Cache('./shared_cache')

defworker(worker_id):
    key = 'counter'
# 使用原子操作 incr 来安全地增加计数
    count = cache.incr(key, delta=1, default=0)
print(f'Worker {worker_id} 更新计数为: {count}')

threads = []
for i inrange(5):
    t = threading.Thread(target=worker, args=(i,))
    threads.append(t)
    t.start()

for t in threads:
    t.join()

print(f'最终计数结果: {cache.get("counter")}')

执行结果如下，所有线程的修改都被正确记录了：

Worker 1 更新计数为: 1
Worker 2 更新计数为: 2
Worker 3 更新计数为: 3
Worker 0 更新计数为: 4
Worker 4 更新计数为: 5
最终计数结果: 5

这个特性让它非常适合作为Web应用的后端缓存，能有效减轻数据库的压力。

🆚 优势与不足：何时该用它？

优势与使用建议：
与Redis、Memcached等内存型缓存相比，diskcache 最大的优势在于无需额外进程、数据持久化和大容量存储。尤其适合缓存体积较大的数据（如序列化后的DataFrame、图片等），或者作为Django项目文件缓存的更优替代方案，其读取速度在多进程场景下甚至能快过Redis。

不足之处：
由于是基于磁盘读写，其写入速度会明显慢于纯内存操作，大概有几十到上百倍的差距。因此，对于需要微秒级响应的高频热点数据，它并不是最合适的选择。

💎 总结

diskcache 是一个“重剑无锋，大巧不工”的实用派库。它用简单的方式解决了数据持久化缓存的痛点，在放弃一点写入速度的同时，换来了数据安全和极大的存储空间。

大家在自己的项目中有用过磁盘缓存吗？或者在Redis和diskcache之间纠结过？欢迎在评论区分享你的经验和看法！