在计算机软件领域，缓存（Cache）指的是将部分数据存储在内存中，以便下次能够更快地访问这些数据，这也是一个典型的用空间换时间的例子。

functools 模块

如：

1. functools.cache

#python3.9 新增
@functools.cache(user_function)

返回值与 lru_cache(maxsize=None) 相同，创建一个查找函数参数的字典的简单包装器. 因为它不需要移出旧值，所以比带有大小限制的 lru_cache() 更小更快.

如，

from functools import cache

@cache
def factorial(n):
    print(f"[Cache]计算 {n} 的阶乘")
    return n * factorial(n-1) if n else 1

#没有缓存，计算11次递归调用
a = factorial(10)

#已有缓存，直接查询缓存结果
b = factorial(5)

#除了已有缓存，新增两次递归调用
c = factorial(12)

2. functools.lru_cache

一般用于缓存的内存空间是固定的，当有更多的数据需要缓存的时候，需要将已缓存的部分数据清除后再将新的缓存数据放进去。需要清除哪些数据，就涉及到了缓存置换的策略，其中，LRU（Least Recently Used，最近最少使用）是很常见的一个，也是 Python 中提供的缓存置换策略。

functools.lru_cache 函数是一个装饰器，为函数提供缓存功能。在下次以相同参数调用时直接返回上一次的结果，缓存 maxsize 组传入参数，用于节约高开销或I/O函数的调用时间.

@functools.lru_cache(maxsize=128, typed=False)
#若，maxsize=None，则LRU特性被禁用，且缓存可无线增长.

由于使用了字典存储缓存，所以该函数的固定参数和关键字参数必须是可哈希的。

被 lru_cache 修饰的函数在被相同参数调用的时候，后续的调用都是直接从缓存读结果，而不用真正执行函数。

from functools import lru_cache

def factorial(n):
  print(f"[No LRU_Cache]计算 {n} 的阶乘")
  return 1 if n <= 1 else n * factorial(n - 1)

@lru_cache
def factorial_lru(n):
  print(f"[LRU_Cache]计算 {n} 的阶乘")
  return 1 if n <= 1 else n * factorial_lru(n - 1)

#没有 LRU Cache，每次重新计算调用
a = factorial(5)
print(f'5! = {a}')
b = factorial(3)
print(f'3! = {b}')


#没有缓存，计算5次递归调用
a = factorial_lru(5)
print(f'5! = {a}')
#查看缓存信息
print(factorial_lru.cache_info())
#输出如：CacheInfo(hits=0, misses=5, maxsize=128, currsize=5)

#已有缓存，直接读取存储值
b = factorial_lru(3)
print(f'3! = {b}')

#清除缓存
factorial_lru.cache_clear()
print(factorial_lru.cache_info())
#输出如，CacheInfo(hits=0, misses=5, maxsize=128, currsize=5)

lru_cache缓存装饰器提供的功能有：

• 缓存被装饰对象的结果（基础功能）
• 获取缓存信息
• 清除缓存内容
• 根据参数变化缓存不同的结果
• LRU算法当缓存数量大于设置的maxsize时清除最不常使用的缓存结果