Python缓存技术实现过程详解

时间:2021-05-22

一段非常简单代码

普通调用方式

def console1(a, b): print("进入函数") return (a, b)print(console1(3, 'a'))print(console1(2, 'b'))print(console1(3.0, 'a'))

很简单的一段代码,传入两个参数。然后打印输出。输出结果

进入函数(3, 'a')进入函数(2, 'b')进入函数(3.0, 'a')

使用某个装饰器后

接下来我们引入functools模块的lru_cache,python3自带模块。

from functools import lru_cache@lru_cache()def console2(a, b): print("进入函数") return (a, b)print(console2(3, 'a'))print(console2(2, 'b'))print(console2(3.0, 'a'))

ほら、惊喜来了。

进入函数(3, 'a')进入函数(2, 'b')(3, 'a')

我们发现,少了一次进入函数的打印,这是怎么回事呢?这就是接下来要说的LRU缓存技术了。

我们理解下什么是LRU

LRU (Least Recently Used) 是缓存置换策略中的一种常用的算法。当缓存队列已满时,新的元素加入队列时,需要从现有队列中移除一个元素,LRU 策略就是将最近最少被访问的元素移除,从而腾出空间给新的元素。

python中的实现

python3中的functools模块的lru_cache实现了这个功能,lru_cache装饰器会记录以往函数运行的结果,实现了备忘(memoization)功能,避免参数重复时反复调用,达到提高性能的作用,在递归函数中作用特别明显。这是一项优化技术,它把耗时的函数的结果保存起来,避免传入相同的参数时重复计算。

带参数的lru_cache

使用方法lru_cache(maxsize=128, typed=False)maxsize可以缓存最多个此函数的调用结果,从而提高程序执行的效率,特别适合于耗时的函数。参数maxsize为最多缓存的次数,如果为None,则无限制,设置为2的n次幂时,性能最佳;如果 typed=True,则不同参数类型的调用将分别缓存,例如 f(3) 和 f(3.0),默认False来一段综合代码:

from functools import lru_cachedef console1(a, b): print("进入函数") return (a, b)@lru_cache()def console2(a, b): print("进入函数") return (a, b)@lru_cache(maxsize=256, typed=True)def console3(a, b): ''' :param a: :param b: :return: ''' print("进入函数") return (a, b)print(console1(3, 'a'))print(console1(2, 'b'))print(console1(3.0, 'a'))print("*" * 40)print(console2(3, 'a'))print(console2(2, 'b'))print(console2(3.0, 'a'))print("*" * 40)print(console3(3, 'a'))print(console3(2, 'b'))print(console3(3.0, 'a'))

同样的可以用到爬虫的去重操作上,避免网页的重复请求。在后期存储的时候做判断即可。

from functools import lru_cachefrom requests_html import HTMLSessionsession=HTMLSession()@lru_cache()def get_html(url): req=session.get(url) print(url) return requrllist=["https://<Response [200]>https://pypi.org/project/pylru/1.0.9/<Response [200]><Response [200]>

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。

声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。

相关文章