字典作為 Python 程序中的緩存機制
作者：手把手PythonAI編程
本文介紹了如何使用字典作為緩存機制，通過實際的代碼示例，我們展示了如何在 Python 中實現高效的緩存。
在 Python 中，字典是一種非常靈活且高效的數據結構，常用于存儲鍵值對。除了基本的數據存儲功能外，字典還可以作為一種簡單的緩存機制，提高程序的性能。本文將詳細介紹如何使用字典作為緩存機制，并通過實際代碼示例逐步引導你理解和應用這一技術。
1. 字典的基本概念
字典是 Python 中的一種內置數據類型，它以鍵值對的形式存儲數據。每個鍵都是唯一的，可以通過鍵快速訪問對應的值。創建字典非常簡單：
# 創建一個字典
my_dict = {'apple': 1, 'banana': 2, 'cherry': 3}
print(my_dict) # 輸出: {'apple': 1, 'banana': 2, 'cherry': 3}2. 字典的基本操作
字典支持多種操作，包括添加、刪除、修改和查詢鍵值對。以下是一些常見的操作示例：
# 添加鍵值對
my_dict['date'] = '2023-10-01'
print(my_dict) # 輸出: {'apple': 1, 'banana': 2, 'cherry': 3, 'date': '2023-10-01'}
# 修改鍵值對
my_dict['apple'] = 10
print(my_dict) # 輸出: {'apple': 10, 'banana': 2, 'cherry': 3, 'date': '2023-10-01'}
# 刪除鍵值對
del my_dict['banana']
print(my_dict) # 輸出: {'apple': 10, 'cherry': 3, 'date': '2023-10-01'}
# 查詢鍵值對
print(my_dict.get('cherry')) # 輸出: 3
print(my_dict.get('orange', 'Not Found')) # 輸出: Not Found3. 字典作為緩存機制
緩存是一種優化技術，用于存儲計算結果或頻繁訪問的數據，以便在后續請求中快速返回。字典非常適合用作緩存，因為它的查找時間復雜度為 O(1)，即常數時間。
基本緩存示例
假設我們有一個函數 compute，計算一個數字的平方根。我們可以使用字典來緩存已經計算過的結果，避免重復計算。
import math
# 創建一個空字典作為緩存
cache = {}
def compute(x):
if x in cache:
print(f"Using cached result for {x}")
return cache[x]
else:
result = math.sqrt(x)
cache[x] = result
print(f"Computed and cached result for {x}")
return result
# 測試緩存
print(compute(16)) # 輸出: Computed and cached result for 16
# 4.0
print(compute(16)) # 輸出: Using cached result for 16
# 4.0
print(compute(25)) # 輸出: Computed and cached result for 25
# 5.0
print(compute(25)) # 輸出: Using cached result for 25
# 5.04. 高級緩存技術
(1) 緩存大小限制
在實際應用中，緩存可能會變得非常大，占用大量內存。為了防止這種情況，我們可以限制緩存的大小。當緩存達到最大容量時，可以使用 LRU（Least Recently Used）策略移除最近最少使用的項。
from collections import OrderedDict
class LRUCache:
def __init__(self, capacity):
self.cache = OrderedDict()
self.capacity = capacity
def get(self, key):
if key not in self.cache:
return -1
else:
self.cache.move_to_end(key) # 將訪問的鍵移到末尾
return self.cache[key]
def put(self, key, value):
if key in self.cache:
self.cache.move_to_end(key)
self.cache[key] = value
if len(self.cache) > self.capacity:
self.cache.popitem(last=False) # 移除最早添加的項
# 測試 LRU 緩存
lru_cache = LRUCache(3)
lru_cache.put(1, 'one')
lru_cache.put(2, 'two')
lru_cache.put(3, 'three')
print(lru_cache.get(1)) # 輸出: one
lru_cache.put(4, 'four') # 2 被移除
print(lru_cache.get(2)) # 輸出: -1(2) 使用 functools.lru_cache
Python 的 functools 模塊提供了一個 lru_cache 裝飾器，可以輕松地為函數添加 LRU 緩存功能。
from functools import lru_cache
import math
@lru_cache(maxsize=32)
def compute(x):
result = math.sqrt(x)
print(f"Computed result for {x}")
return result
# 測試緩存
print(compute(16)) # 輸出: Computed result for 16
# 4.0
print(compute(16)) # 輸出: 4.0
print(compute(25)) # 輸出: Computed result for 25
# 5.0
print(compute(25)) # 輸出: 5.05. 實戰案例：緩存 API 請求結果
假設我們有一個 API，每次請求都會返回一些數據。為了提高性能，我們可以使用字典緩存 API 的響應結果。
import requests
from functools import lru_cache
@lru_cache(maxsize=100)
def get_api_data(url):
response = requests.get(url)
if response.status_code == 200:
return response.json()
else:
return None
# 測試緩存
url = 'https://api.example.com/data'
data = get_api_data(url)
print(data)
# 再次請求相同的 URL，使用緩存
data = get_api_data(url)
print(data)總結
本文介紹了如何使用字典作為緩存機制，從基本的緩存示例到高級的 LRU 緩存技術，以及如何使用 functools.lru_cache 裝飾器。通過實際的代碼示例，我們展示了如何在 Python 中實現高效的緩存。
責任編輯：趙寧寧
來源：
手把手PythonAI編程
