如何让Python程序轻松加速，正确方法详解
最近，我读了一篇有趣的文章，文中介绍了一些未充分使用的Python特性的。在文章中，作者提到，从Python 3.2开始，标准库附带了一个内置的装饰器functools.lru_cache。我发现这个装饰器很令人兴奋，有了它，我们有可能轻松地为许多应用程序加速。
你可能在想，这很好，但这个装饰器究竟是什么？它提供对已构建的缓存的访问，该缓存使用LRU（译者注： Least Recently Used的缩写，即最近最少使用，是一种常用的页面置换算法，选择最近最久未使用的页面予以淘汰。）的置换策略，因此被命名为lru_cache。当然，这句话听起来可能有点令人胆怯，所以让我们把它分解一下。
这里也要注意：不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你没有2020最新python入门到高级实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新python教程项目，还可以跟老司机交流讨教！
什么是缓存？
缓存是一个可以快速访问的地方，可以在它里面存储访问速度较慢的内容。为了演示这一点，让我们以你的web浏览器为例。
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。
从网络上读取网页可能需要几秒钟，即使是快速的网络连接也如此。在计算机时代，这个问题是永恒的。为了解决这个问题，浏览器将你已经访问过的网页存储在计算机的缓存中，这样访问速度会加快数千倍。
使用缓存下载网页的步骤如下：
- 检查页面的本地缓存。如果页面在那里，返回该页面。
- 在因网上找到网页并从那里下载。
- 将该网页存储在缓存中，以便将来更快地访问。
虽然缓存并不会让你第一次访问网页的速度加快，但通常你是要屡次访问某一个网站页面的（想想Facebook——注：对多数国人来讲，可能不是这个网站，或者你的电子邮件），有了缓存之后，以后每次访问都会更快。
浏览器并不是唯一使用缓存的，从服务器到CPU和硬盘或SSD之间的计算机硬件，它们无处不在。从缓存中可以很快地获取数据，因此当你不止一次获取数据时，它可以大大加快程序的速度。
LRU是什么意思？
缓存只能存储有限数量的东西，而且通常它比可能存入所缓存的东西要小得多（例如，你的硬盘比互联网小得多）。这意味着有时需要将缓存中已有内容替换掉，放入其他内容。对于去掉什么的决策方法被称为置换策略。
这就是LRU的用武之地。LRU代表最近用得最少的缓存中内容，这是一种常用的缓存置换策略。
为什么置换策略很重要？
“最近使用最少”这种置换策略的基本思想是：如果你有一段时间没有访问过某个东西，你可能近期不会访问它。要使用此策略，只需在缓存已满时删除最早使用的项即可。
在上图中，缓存中的每个项都附带了访问时间。依据LRU策略，选择访问时间为2:55PM 的项作为要置换的项，因为它是最早被访问的。如果有两个对象具有相同的访问时间，那么LRU将从中随机选择一个。
这种去掉长时间不用的东西的策略，被称为Bélády的最优算法，它是置换缓存内容的最佳策略。当然，我们根本不知道未来会有什么操作。谢天谢地，在许多情况下，LRU提供了近乎最佳的性能。
怎样使用它？
functools.lru_cache是一个装饰器，因此你可以将它放在函数的顶部：
import functools
@functools.lru_cache(maxsize=128)
def fib(n):
if n < 2: return 1 return fib(n-1) + fib(n-2) 复制代码Fibonacci数列在递归示例中经常被用到，要提升这个函数的速度，使用functools.lru_cache之后，不费吹灰之力，就能让这个递归函数狂飙。在我的机器上运行这些代码，得到了这个函数有缓存版本和没有缓存版本的以下结果。
$ python3 -m timeit -s 'from fib_test import fib' 'fib(30)' 10 loops, best of 3: 282 msec per loop $ python3 -m timeit -s 'from fib_test import fib_cache' 'fib_cache(30)' 10000000 loops, best of 3: 0.0791 usec per loop 复制代码增加一行代码之后，速度提高了3565107倍。
当然，我认为很难看出你在实际中会如何使用它，因为我们很少需要计算斐波那契数列。回到web页面示例，我们可以举一个更实际的用缓存渲染前端模板的例子。
在服务器开发中，通常单个页面存储为具有占位符变量的模板。例如，下面是一个页面模板，该页面显示某一天各种足球比赛的结果。
<html>
<body>
<h1>Matches for {{day}}</h1> <table id="matches"> <tr> <td>Home team</td> <td>Away team</td> <td>Score</td> </tr> {% for match in matches %} <tr> <td>{{match["home"]}}</td> <td>{{match["away"]}}</td> <td>{{match["home_goals"]}} - {{match["away_goals"]}}</td> </tr> {% endfor %} </table> </body> </html> 复制代码呈现模板时，看起来如下所示：
这是缓存的主要目标，因为每天的结果不会改变，而且很可能每天会有多次访问。下面是一个提供此模板的Flask应用程序。我引入了50ms的延迟来模拟通过网络或者从大型数据库获取匹配字典。
import json
import time
from flask import Flask, render_template
app = Flask(__name__)
with open('match.json','r') as f: match_dict = json.load(f) def get_matches(day): # simulate network/database delay time.sleep(0.05) return match_dict[day] @app.route('/matches/<day>') def show_matches(day): matches = get_matches(day) return render_template('matches.html', matches=matches, day=day) if __name__ == "__main__": app.run() 复制代码使用requests在不缓存的情况下获得三天的数据，在我的计算机上本地运行平均需要171ms。这还不错，但我们可以做得更好，即使考虑到人为的延迟。
@app.route('/matches/<day>') @functools.lru_cache(maxsize=4) def show_matches(day): matches = get_matches(day) return render_template('matches.html', matches=matches, day=day) 复制代码在本例中，我设置了maxsize=4，因为我的测试脚本只有相同的三天，最好设置2次幂。使用这种方法，10个循环的平均速度可以降到13.7ms。
还有什么应该知道？
Python文档虽然很详细，但是有一些东西还是要强调的。
内置函数
装饰器附带了一些很有用的内置函数。cache_info()返回访问数（hits）、未访问数（misses）和当前缓存使用量（currsize）、最大容量（maxsize），帮助你了解缓存使用情况。cache_clear()将删除缓存中的所有元素。
有时候不要使用缓存
通常，只有在以下情况下才能使用缓存：
- 在缓存期内，数据不会更改。
- 函数将始终为相同的参数返回相同的值（因此时间和随机对缓存没有意义）。
- 函数没有副作用。如果缓存被访问，则永远不会调用该函数，因此请确保不更改其中的任何状态。
- 函数不返回不同的可变对象。例如，返回列表的函数不适合缓存，因为将要缓存的是对列表的引用，而不是列表内容。
最后注意：不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你没有2020最新python入门到高级实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新python教程项目，还可以跟老司机交流讨教！本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
