PythonLRU缓存实现：OrderedDict高效方案

本文深入解析了为何在需要细粒度控制缓存行为（如手动清理、动态调容、命中率统计或外部状态联动）时，应放弃内置的`@lru_cache`，转而基于`OrderedDict`手写LRU缓存——它通过`move_to_end()`和`popitem(last=False)`精准模拟“最近使用更新”与“最久未使用淘汰”的核心逻辑，并给出一个简洁、可直接运行、兼顾正确性与边界处理（如容量为0、重复键更新、顺序一致性）的完整实现，同时点明常见陷阱与性能权衡，助你真正掌握LRU背后的机制而非仅调用黑盒。

为什么不用@lru_cache而要自己实现OrderedDict版

因为@lru_cache不支持手动清理、容量动态调整，也不暴露访问顺序控制逻辑——当你需要细粒度管理（比如按条件驱逐、统计命中率、与外部状态联动），就得退回到OrderedDict这一层。它提供move_to_end()和popitem(last=False)两个关键操作，刚好对应“最近使用”更新和“最久未使用”淘汰。

OrderedDict实现LRU的核心操作逻辑

核心就三件事：读取时把键移到末尾；写入时检查容量，超了就删开头；删除和更新都要同步维护顺序。注意OrderedDict的popitem(last=False)删的是**最先插入**的项，不是最久未访问的——所以必须靠每次get后move_to_end(key)来保证“末尾=最新”，“开头=最旧”。

常见错误现象：get后忘记move_to_end，导致缓存一直淘汰最新项；或set时没判断是否已存在，重复插入导致顺序错乱。

• 读取get(key)：先in判断是否存在，存在则move_to_end(key)再返回值
• 写入set(key, value)：若key已存在，先pop(key)再重新__setitem__，或直接move_to_end + 赋值（更安全）
• 容量检查：每次set后，若len(self) > self.capacity，调用self.popitem(last=False)

一个轻量但完整的可运行版本

下面这个类去掉装饰器、日志、线程锁等扩展，只保留LRU本质逻辑，可直接粘贴测试：

from collections import OrderedDict
<p>class LRUCache:
def <strong>init</strong>(self, capacity: int):
self.capacity = capacity
self.cache = OrderedDict()</p><pre class="brush:python;toolbar:false;">def get(self, key: int) -> int:
    if key not in self.cache:
        return -1
    self.cache.move_to_end(key)  # 标记为最近使用
    return self.cache[key]

def put(self, key: int, value: int) -> None:
    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)  # 删最久未使用的

注意put中没有先pop再赋值，而是依赖OrderedDict对已有key的赋值会自动更新顺序——这是3.7+ dict和OrderedDict的共性，但别在老版本CPython上假设普通dict有此行为。

容易被忽略的边界点

容量为0时put应拒绝写入，但OrderedDict本身不拦截，得手动判断；capacity 属于非法输入，建议在__init__里抛ValueError；另外get和put的时间复杂度都是O(1)，但move_to_end底层涉及双向链表指针操作，实际常数略高——如果QPS极高且key极多，要考虑是否值得换成纯哈希表+手写链表。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~