让Python程序轻松加速的方法

2020-02-05

作者：Cameron MacLeod

翻译：老齐

最近，我读了一篇有趣的文章，文中介绍了一些未充分使用的Python特性的。在文章中，作者提到，从Python 3.2开始，标准库附带了一个内置的装饰器functools.lru_cache。我发现这个装饰器很令人兴奋，有了它，我们有可能轻松地为许多应用程序加速。

你可能在想，这很好，但这个装饰器究竟是什么？它提供对已构建的缓存的访问，该缓存使用LRU（译者注： Least Recently Used的缩写，即最近最少使用，是一种常用的页面置换算法，选择最近最久未使用的页面予以淘汰。）的置换策略，因此被命名为lru_cache。当然，这句话听起来可能有点令人胆怯，所以让我们把它分解一下。

什么是缓存？

缓存是一个可以快速访问的地方，可以在它里面存储访问速度较慢的内容。为了演示这一点，让我们以你的web浏览器为例。

从网络上读取网页可能需要几秒钟，即使是快速的网络连接也如此。在计算机时代，这个问题是永恒的。为了解决这个问题，浏览器将你已经访问过的网页存储在计算机的缓存中，这样访问速度会加快数千倍。

使用缓存下载网页的步骤如下：

检查页面的本地缓存。如果页面在那里，返回该页面。
在因网上找到网页并从那里下载。
将该网页存储在缓存中，以便将来更快地访问。

虽然缓存并不会让你第一次访问网页的速度加快，但通常你是要屡次访问某一个网站页面的（想想Facebook——注：对多数国人来讲，可能不是这个网站，或者你的电子邮件），有了缓存之后，以后每次访问都会更快。

浏览器并不是唯一使用缓存的，从服务器到CPU和硬盘或SSD之间的计算机硬件，它们无处不在。从缓存中可以很快地获取数据，因此当你不止一次获取数据时，它可以大大加快程序的速度。

LRU是什么意思？

缓存只能存储有限数量的东西，而且通常它比可能存入所缓存的东西要小得多（例如，你的硬盘比互联网小得多）。这意味着有时需要将缓存中已有内容替换掉，放入其他内容。对于去掉什么的决策方法被称为置换策略。

这就是LRU的用武之地。LRU代表最近用得最少的缓存中内容，这是一种常用的缓存置换策略。

为什么置换策略很重要？

“最近使用最少”这种置换策略的基本思想是：如果你有一段时间没有访问过某个东西，你可能近期不会访问它。要使用此策略，只需在缓存已满时删除最早使用的项即可。

在上图中，缓存中的每个项都附带了访问时间。依据LRU策略，选择访问时间为2:55PM 的项作为要置换的项，因为它是最早被访问的。如果有两个对象具有相同的访问时间，那么LRU将从中随机选择一个。

这种去掉长时间不用的东西的策略，被称为Bélády的最优算法，它是置换缓存内容的最佳策略。当然，我们根本不知道未来会有什么操作。谢天谢地，在许多情况下，LRU提供了近乎最佳的性能。

怎样使用它？

functools.lru_cache是一个装饰器，因此你可以将它放在函数的顶部：

import functools

@functools.lru_cache(maxsize=128)
def fib(n):
  if n < 2:
    return 1
  return fib(n-1) + fib(n-2)

Fibonacci数列在递归示例中经常被用到，要提升这个函数的速度，使用functools.lru_cache之后，不费吹灰之力，就能让这个递归函数狂飙。在我的机器上运行这些代码，得到了这个函数有缓存版本和没有缓存版本的以下结果。

$ python3 -m timeit -s 'from fib_test import fib' 'fib(30)'
10 loops, best of 3: 282 msec per loop

$ python3 -m timeit -s 'from fib_test import fib_cache' 'fib_cache(30)'
10000000 loops, best of 3: 0.0791 usec per loop

增加一行代码之后，速度提高了3565107倍。

当然，我认为很难看出你在实际中会如何使用它，因为我们很少需要计算斐波那契数列。回到web页面示例，我们可以举一个更实际的用缓存渲染前端模板的例子。

在服务器开发中，通常单个页面存储为具有占位符变量的模板。例如，下面是一个页面模板，该页面显示某一天各种足球比赛的结果。

<html>
  <body>
    <h1>Matches for {{day}}</h1>
    <table id="matches">
      <tr>
        <td>Home team</td>
        <td>Away team</td>
        <td>Score</td>
      </tr>
      {% for match in matches %}
      <tr>
        <td>{{match["home"]}}</td>
        <td>{{match["away"]}}</td>
        <td>{{match["home_goals"]}} - {{match["away_goals"]}}</td>
      </tr>
      {% endfor %}
    </table>
  </body>
</html>

呈现模板时，看起来如下所示：

这是缓存的主要目标，因为每天的结果不会改变，而且很可能每天会有多次访问。下面是一个提供此模板的Flask应用程序。我引入了50ms的延迟来模拟通过网络或者从大型数据库获取匹配字典。

import json
import time
from flask import Flask, render_template

app = Flask(__name__)

with open('match.json','r') as f:
    match_dict = json.load(f)

def get_matches(day):
    # simulate network/database delay
    time.sleep(0.05)
    return match_dict[day]

@app.route('/matches/<day>')
def show_matches(day):
    matches = get_matches(day)
    return render_template('matches.html', matches=matches, day=day)

if __name__ == "__main__":
    app.run()

使用requests在不缓存的情况下获得三天的数据，在我的计算机上本地运行平均需要171ms。这还不错，但我们可以做得更好，即使考虑到人为的延迟。

@app.route('/matches/<day>')
@functools.lru_cache(maxsize=4)
def show_matches(day):
    matches = get_matches(day)
    return render_template('matches.html', matches=matches, day=day)

在本例中，我设置了maxsize=4，因为我的测试脚本只有相同的三天，最好设置2次幂。使用这种方法，10个循环的平均速度可以降到13.7ms。