Python缓存误用导致内存问题

Python缓存看似简单，实则暗藏多重内存陷阱：未设maxsize的lru_cache或误用无界的@cache会导致缓存无限膨胀、内存持续泄漏；类方法直接加装饰器会因绑定self而阻断实例回收；动态参数（如时间戳、随机数）则让缓存彻底失效却仍占用资源。真正危险的不是缓存本身，而是那些看不见的引用绑定与不稳定的缓存键——它们悄无声息地拖垮服务、耗尽内存，直到OOM才暴露真相。

缓存没设上限，lru_cache 会吃光内存

Python 的 @lru_cache 默认不限制缓存条目数，一旦函数被高频调用且参数组合多（比如带用户 ID、时间戳、分页偏移），缓存表会无限膨胀，最终触发 MemoryError 或拖慢整个进程。

常见错误现象：服务运行几小时后 RSS 内存持续上涨，GC 频率升高，但 CPU 并不高；用 tracemalloc 能定位到大量 functools._lru_cache_wrapper 占用堆内存。

• 必须显式传 maxsize，例如 @lru_cache(maxsize=128)，不写等于 maxsize=None（无限制）
• 数值不是越大越好——maxsize=1024 对高并发小对象还行，但若每个缓存项含大字典或 Pandas DataFrame，实际内存开销可能远超预期
• 注意 maxsize 是按「调用签名」计数的，相同参数多次调用只占 1 个 slot；但 list、dict 等可变类型不能直接作参数（会报 TypeError: unhashable type）

functools.cache 和 lru_cache 别混用

@cache 是 Python 3.9+ 新增的无界缓存装饰器，本质是 @lru_cache(maxsize=None) 的别名。它比 lru_cache 少了淘汰策略，纯靠引用计数 + GC 回收，不可控性更强。

使用场景：仅适合参数极少、结果极稳定、生命周期与程序一致的纯计算函数（比如解析固定配置文件的函数）。绝不能用于 Web 请求处理、数据库查询封装等动态场景。

• 误把 @cache 当轻量版 @lru_cache 用，等于主动放弃缓存管理权
• Python 3.8 及更早版本不支持 @cache，用了会直接 NameError: name 'cache' is not defined
• 两者缓存数据结构不共享，混用同一函数会导致两套缓存并存，内存翻倍且逻辑混乱

类方法加 @lru_cache 会泄漏实例

给实例方法加 @lru_cache 时，缓存键会包含 self 引用，导致整个实例无法被垃圾回收——哪怕外部已无其他引用，该实例仍驻留内存。

典型表现：创建大量短生命周期对象（如 Flask request context、临时 DTO），缓存后观察 gc.get_objects() 发现旧实例持续堆积。

• 解决方案一：改用静态方法或模块级函数，把 self 相关状态抽成参数传入
• 解决方案二：用 @lru_cache 修饰 @staticmethod，但需确保所有参数可哈希
• 绝对不要对 @property 加 @lru_cache——除非你明确知道这个属性值永不变，且所属实例会长期存活

缓存键包含时间或随机值就等于没缓存

如果函数参数里有 datetime.now()、time.time()、random.random() 或 UUID，每次调用缓存键都不同，lru_cache 彻底失效，还白占内存和哈希计算开销。

这种写法常出现在“带过期逻辑”的伪缓存中，比如手动拼接时间戳进参数试图控制刷新——实际只是让缓存变成单次有效。

• 正确做法：缓存本身不负责过期，用 functools.lru_cache + 外部定时清理，或换用 cacheout、redis 等支持 TTL 的方案
• 调试技巧：在被装饰函数开头加 print(f"Cache key: {args!r} {kwargs!r}")，快速验证键是否稳定
• 注意 float 参数可能因精度问题导致键不一致，优先转成 int 或字符串再传入

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《Python缓存误用导致内存问题》文章吧，也可关注golang学习网公众号了解相关技术文章。