缓存是一种将定量数据加以保存以备迎合后续请求的处理方式，旨在加快数据的检索速度。在今天的文章中，我们将一同从简单示例出发，了解如何使用缓存机制。在此之后，我们将进一步利用Python标准库的functools模块创建适合自己需要的缓存。作为起步工作，我们首先创建一个类，用于构建我们的缓存字典，而后根据需要进行扩展。以下为具体代码：
########################################################################
class MyCache :
""""""
#----------------------------------------------------------------------
def __init__ ( self ) :
"""Constructor"""
self . cache = { }
self . max_cache _size = 10在以上类示例中没有包含什么特别之处。我们只是创建一个简单类，同时设置两个类变量或者说属性，即cahce与max_cache_size。其中cache属于一套空字典，而max_cache_size显然代表着最大缓存容量。下面让我们进一步充实该代码，使其具备一定功能：
import datetime
import random
########################################################################
class MyCache :
""""""
#----------------------------------------------------------------------
def __init__ ( self ) :
"""Constructor"""
self . cache = { }
self . max_cache _size = 10
#----------------------------------------------------------------------
def __contains__ ( self , key ) :
"""
根据该键是否存在于缓存当中返回True或者False
"""
return key in self . cache
#----------------------------------------------------------------------
def update ( self , key , value ) :
"""
更新该缓存字典，您可选择性删除最早条目
"""
if key not in self . cache and len ( self . cache ) >= self . max_cache_size :
self . remove_oldest ( )
self . cache [ key ] = { 'date_accessed' : datetime . datetime . now ( ) ,
'value' : value }
#----------------------------------------------------------------------
def remove_oldest ( self ) :
"""
删除具备最早访问日期的输入数据
"""
oldest _entry = None
for key in self . cache :
if oldest _entry == None :
oldest _entry = key
elif self . cache [ key ] [ 'date_accessed' ] < self . cache [ oldest_entry ] [
'date_accessed' ] :
oldest _entry = key
self . cache . pop ( oldest_entry )
#----------------------------------------------------------------------
@ property
def size ( self ) :
"""
返回缓存容量大小
"""
return len ( self . cache )在这里，我们导入了datetime与random模块，而后我们即可看到之前创建完成的类。这一次，我们向其中添加几种方法。其中一种方法具备神奇的效果，名为_contains_。虽然在这里并不一定要使用该方法，但其基本思路在于允许我们检查该类实例，从而了解其中是否包含有我们正在寻找的键。另外，update方法负责利用新的键/值对进行缓存字典更新。一旦达到或者超出缓存最大容量，其还会删除日期最早的输入数据。另外，remove_oldest方法负责具体的字典内早期数据删除工作。最后，我们还引入了名为size的属性，其能够返回缓存的具体容量。
在添加了以下代码之后，我们就能够测试该缓存是否按预期起效：
1. if __name__ == ‘__main__’:
2.
3. #测试缓存
4.
5. ‘test’, ‘red’, ‘fox’, ‘fence’, ‘junk’,
6.
7. ‘other’, ‘alpha’, ‘bravo’, ‘cal’, ‘devo’,
8.
9. ‘ele’]
10.
11. ‘abcdefghijklmnop’
12.
13. cache = MyCache()
14.
15. for i, key in
16.
17. if key in
18.
19. continue
20.
21. else:
22.
23. ”.join([random.choice(s) for i in range(20)])
24.
25. cache.update(key, value)
26.
27. print(“#%s iterations, #%s cached entries” % (i+1, cache.size))
28.
29. print在本示例当中，我们设置了大量预定义键与循环。如果键尚不存在，我们会将其添加到缓存当中。不过以上示例代码并没有提到如何更新访问日期，感兴趣的朋友们可以将其作为练习自行探索。在运行这段代码之后，大家会注意到当缓存被占满时，其会正确删除时间更早的条目。
现在，我们继续前进，看看如何利用另一种方式使用Python的内置functools模块创建缓存。
使用functools.lru_cache
Python的functools模块提供一种非常实用的装饰器，即lru_cache。需要注意的是，其在3.2版本当中才被添加进来。根据说明文档所言，该装饰器能够“利用可调用内存对函数进行打包，从而削减最近调用的最大尺寸。”接下来，我们将根据说明文档中提到的示例编写一项基本功能，其中包含多个网络页面。在这种情况下，我们可以直接从Python说明文档站点处获取页面。
import urllib . error
import urllib . request
from functools import lru _cache
@ lru_cache ( maxsize = 24 )
def get_webpage ( module ) :
"""
获取特定Python模块网络页面
"""
webpage = "https://docs.python.org/3/library/{}.html" . format ( module )
try :
with urllib . request . urlopen ( webpage ) as request :
return request . read ( )
except urllib . error . HTTPError :
return None
if __name_ _ == '__main__' :
modules = [ 'functools' , 'collections' , 'os' , 'sys' ]
for module in modules :
page = get_webpage ( module )
if page :
print ( "{} module page found" . format ( module ) )在以上代码当中，我们利用lru_cache对get_webpage函数进行了装饰，并将其最大尺寸设置为24条调用。在此之后，我们设置了一条网页字符串变量，并将其传递至我们希望函数获取的模块当中。根据我的个人经验，如果大家将其运行在某种Python解释器当中——例如IDLE——那么效果会更好。如此一来，我们就能够针对该函数运行多次循环。可以看到在首次运行上述代码时，输出结果的显示速度相对比较慢。但如果大家在同一会话中再次加以运行，那么其显示速度将极大加快——这意味着lru_cache已经正确对该调用进行了缓存处理。大家可以在自己的解释器实例当中进行试验并亲自查看结果。
另外，我们还可以将一条typed参数传递至该装饰器。其属于一条Boolean，旨在通知该装饰器在typed为设定为True时对不同类型参数进行分别缓存。
总结
现在大家已经初步了解了如何利用Python编写自己的缓存机制。这是一款有趣的工具，而且能够在各位面对大量高强度I/O调用或者希望对登录凭证等常用信息进行缓存时发挥重要作用。
