深入理解Python LRU缓存（从零开始掌握LRU缓存实现与内存优化技巧）

什么是LRU缓存？

LRU 是 “Least Recently Used”（最近最少使用）的缩写。LRU 缓存是一种淘汰策略：当缓存空间已满，需要腾出位置存储新数据时，系统会优先删除最久未被访问的数据。

举个例子：你有一个容量为3的书架（缓存），依次放入A、B、C三本书。当你再想放D时，如果最近只翻过B和C，那么A就是“最近最少使用”的，会被移除，腾出位置给D。

为什么需要LRU缓存？

在实际开发中，很多操作（如数据库查询、复杂计算、API调用）成本很高。如果我们能把结果暂时保存起来，下次遇到相同请求直接返回缓存结果，就能极大提升性能。而 Python缓存机制 中，LRU 是最常用且高效的策略之一。

方法一：使用Python内置的 @lru_cache 装饰器（推荐新手）

Python 3.2+ 提供了 functools.lru_cache，这是最简单的方式：

from functools import lru_cache@lru_cache(maxsize=128)  # 最多缓存128个结果def fibonacci(n):    if n < 2:        return n    return fibonacci(n - 1) + fibonacci(n - 2)# 测试print(fibonacci(30))  # 第一次计算较慢print(fibonacci(30))  # 第二次直接从缓存读取，极快！

这个装饰器自动帮你实现了完整的 LRU缓存实现，包括缓存命中、淘汰机制等，非常适合函数级别的缓存需求。

方法二：手动实现LRU缓存类（深入理解原理）

为了真正理解LRU的工作机制，我们可以自己动手写一个LRU缓存类。核心思路是：用哈希表（字典）实现O(1)查找，用双向链表维护访问顺序。

class Node:    def __init__(self, key, value):        self.key = key        self.value = value        self.prev = None        self.next = Noneclass LRUCache:    def __init__(self, capacity: int):        self.capacity = capacity        self.cache = {}  # 哈希表：key -> Node        # 虚拟头尾节点，简化边界处理        self.head = Node(0, 0)        self.tail = Node(0, 0)        self.head.next = self.tail        self.tail.prev = self.head    def _remove(self, node):        """从链表中移除节点"""        prev_node = node.prev        next_node = node.next        prev_node.next = next_node        next_node.prev = prev_node    def _add_to_head(self, node):        """将节点添加到头部（表示最近使用）"""        node.prev = self.head        node.next = self.head.next        self.head.next.prev = node        self.head.next = node    def get(self, key: int) -> int:        if key in self.cache:            node = self.cache[key]            self._remove(node)          # 先移除            self._add_to_head(node)     # 再加到头部            return node.value        return -1  # 未找到    def put(self, key: int, value: int) -> None:        if key in self.cache:            # 更新值并移到头部            node = self.cache[key]            node.value = value            self._remove(node)            self._add_to_head(node)        else:            # 新增节点            new_node = Node(key, value)            self.cache[key] = new_node            self._add_to_head(new_node)            if len(self.cache) > self.capacity:                # 缓存溢出，删除尾部节点（最久未用）                tail_node = self.tail.prev                self._remove(tail_node)                del self.cache[tail_node.key]

这个实现展示了完整的 内存优化技巧：通过 O(1) 时间复杂度完成 get 和 put 操作，非常适合高频访问场景。

使用建议与最佳实践

• 对于简单函数缓存，优先使用 @lru_cache，代码简洁且经过充分测试。
• 自定义LRU适用于需要更精细控制（如缓存过期、统计命中率）的场景。
• 合理设置缓存大小（maxsize），避免占用过多内存。
• 注意缓存键（key）必须是可哈希的（如字符串、数字、元组）。

总结

掌握 Python LRU缓存 不仅能提升程序性能，还能加深你对数据结构和算法的理解。无论是使用内置装饰器还是手动实现，关键在于理解其背后的“最近最少使用”思想。希望这篇教程能帮助你轻松入门，并在实际项目中灵活运用这些 内存优化技巧！