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 Python 的 3.2 版本中，引入了一个非常优雅的缓存机器，即 functool 模块中的 lru_cache 装饰器。
lru_cache
原型如下：
@functools
.
lru_cache
(
maxsize
=
None
,
typed
=
False
)
使用functools模块的lur_cache装饰器，可以缓存最多 maxsize 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2n时，性能最佳；如果 typed=True（注意，在 functools32 中没有此参数），则不同参数类型的调用将分别缓存，例如 f(3) 和 f(3.0)。
被 lru_cache 装饰的函数会有 cache_clear 和 cache_info 两个方法，分别用于清除缓存和查看缓存信息。
一个简单的示例演示 lru_cache 效果：
from
functools
import
lru_cache
@lru_cache
(
None
)
def
add
(
x
,
y
)
:
print
(
"calculating: %s + %s"
%
(
x
,
y
)
)
return
x
+
y
print
(
add
(
1
,
2
)
)
print
(
add
(
1
,
2
)
)
print
(
add
(
2
,
3
)
)
输出结果
calculating
:
1
+
2
3
3
calculating
:
2
+
3
5
从结果可以看出，当第二次调用 add(1, 2) 时，并没有真正执行函数体，而是直接返回缓存的结果。
转载：
Python 缓存机制与 functools.lru_cache
