缓冲区与缓存是提高系统效率的关键技术。缓冲区用于存储输入输出设备间的临时数据，减少数据读写次数，如Python中的StringIO和BytesIO。缓存适用于数据实时性要求不高、性能要求高的场景，常见更新模式包括Cache Aside、Read/Write Through和Write Behind Caching。Python中可使用functools.lru_cache实现缓存功能，但不支持缓存过期和清除操作。
缓冲区与缓存(buffer与cache)
1.缓冲区buffer
缓冲区(buffer)，它是内存空间的一部分。也就是说，在内存空间中预留了一定的存储空间，这些存储空间用来缓冲输入或输出的数据，这部分预留的空间就叫做缓冲区，显然缓冲区是具有一定大小的。
缓冲区根据其对应的是输入设备还是输出设备，分为输入缓冲区和输出缓冲区。
- 高速设备与低速设备的不匹配，势必会让高速设备花时间等待低速设备，我们可以在这两者之间设立一个缓冲区。
缓存区的作用
-
可以解除两者的制约关系，数据可以直接送往缓冲区，高速设备不用再等待低速设备，提高了计算机的效率。例如：我们使用打印机打印文档，由于打印机的打印速度相对较慢，我们先把文档输出到打印机相应的缓冲区，打印机再自行逐步打印，这时我们的CPU可以处理别的事情。
-
可以减少数据的读写次数，如果每次数据只传输一点数据，就需要传送很多次，这样会浪费很多时间，因为开始读写与终止读写所需要的时间很长，如果将数据送往缓冲区，待缓冲区满后再进行传送会大大减少读写次数，这样就可以节省很多时间。例如：我们想将数据写入到磁盘中，不是立马将数据写到磁盘中，而是先输入缓冲区中，当缓冲区满了以后，再将数据写入到磁盘中，这样就可以减少磁盘的读写次数，不然磁盘很容易坏掉。
简单来说，缓冲区就是一块内存区，它用在输入输出设备和CPU之间，用来存储数据。它使得低速的输入输出设备和高速的CPU能够协调工作，避免低速的输入输出设备占用CPU，解放出CPU，使其能够高效率工作。
Python中的缓冲
- StringIO和BytesIO就使用了缓冲技术
缓存区的类型
缓冲区 分为三种类型：全缓冲、行缓冲和不带缓冲。
- 全缓冲
在这种情况下，当填满标准I/O缓存后才进行实际I/O操作。全缓冲的典型代表是对磁盘文件的读写。 - 行缓冲
在这种情况下，当在输入和输出中遇到换行符时，执行真正的I/O操作。这时，我们输入的字符先存放在缓冲区，等按下回车键换行时才进行实际的I/O操作。典型代表是键盘输入数据。 - 不带缓冲
也就是不进行缓冲，标准出错情况stderr是典型代表，这使得出错信息可以直接尽快地显示出来。
2.缓存cache
缓存是现在系统中必不可少的模块，并且已经成为了高并发高性能架构的一个关键组件。这篇博客我们来分析一下使用缓存的正确姿势
- 提升性能
绝大多数情况下，select 是出现性能问题最大的地方。一方面，select 会有很多像 join、group、order、like 等这样丰富的语义，而这些语义是非常耗性能的；另一方面，大多 数应用都是读多写少，所以加剧了慢查询的问题。
分布式系统中远程调用也会耗很多性能，因为有网络开销，会导致整体的响应时间下降。为了挽救这样的性能开销，在业务允许的情况（不需要太实时的数据）下，使用缓存是非常必要的事情。 - 缓解数据库压力
当用户请求增多时，数据库的压力将大大增加，通过缓存能够大大降低数据库的压力。
缓存的适用场景
- 对于数据实时性要求不高
对于一些经常访问但是很少改变的数据，读明显多于写，适用缓存就很有必要。比如一些网站配置项。 - 对于性能要求高
比如一些秒杀活动场景。
缓存的三种模式
- Cache Aside 更新模式
- Read/Write Through 更新模式
- Write Behind Caching 更新模式
通俗一点来讲就是，同时更新缓存和数据库（Cache Aside 更新模式）；先更新缓存，缓存负责同步更新数据库（Read/Write Through 更新模式）；先更新缓存，缓存定时异步更新数据库（Write Behind Caching 更新模式）。这三种模式各有优劣，可以根据业务场景选择使用。 - 详细请参考https://www.cnblogs.com/llzhang123/p/9037346.html
Python中的缓存
-
functools.lru_cache(maxsize=128,typed=False) #cache缓存。为函数添加缓存机制。通过一个字典缓存被装饰函数的调用和返回值。
- Least-recently-used装饰器。lru,最近最少使用。cache缓存
- maxsize:如果maxsize设置为None,则禁用LRU功能，并且缓存可以无限制增长。当maxsize是二的幂时，LRU功能执行得最好
- 如果typed设置为True,则不同类型的函数参数将单独缓存。例如f(3)和f(3.0)将被视为具有不同结果的不同调用
- 示例
import functools import time @functools.lru_cache() def add(x,y): time.sleep(1) return x + y print(add(4,5)) print(add(4.0,5)) print(add(4,6)) print("--------------") print(add(4,5)) #会使用缓存，无需等待，直接出结果 print(add(4.0,5)) #会使用缓存，无序等待，直接出结果 print(add(4,6)) #会使用缓存，无序等待，直接出结果 print("-------------------") print(add(4,y=6)) #无法使用缓存 print(add(x=4,y=6)) #无法使用缓存 print(add(y=6,x=4)) #无法使用缓存
-
lru_cache装饰器
- 斐波拉契数列递归方法的改造
import functools,datetime def fib(n): return 1 if n<3 else fib(n-1)+fib(n-2) @functools.lru_cache(maxsize=None) def fib2(n): return 1 if n<3 else fib2(n-1)+fib2(n-2) dt = datetime.datetime.now() print([fib2(i+1) for i in range(35)]) dt1 = datetime.datetime.now() print("（fib2）使用lru_cache缓存技术,用时：{}".format((dt1-dt).total_seconds())) print([fib(i+1) for i in range(35)]) dt2 = datetime.datetime.now() print("(fib)不使用lru_cache缓存技术,用时：{}".format((dt2-dt1).total_seconds()))
-
lru_cache装饰器应用
- 使用前提
- 同样的函数参数一定得到同样的结果
- 函数执行时间很长，且要多次执行
- 本质是函数调用函数=》返回值
- 缺点
- 不支持缓存过期，key无法过期、失效
- 不支持清除操作
- 不支持分布式，是一个单机的缓存
- 适用场景，单机上需要空间换时间的地方，可以用缓存来将计算变成快速的查询
- 使用前提
-
实现一个cache装饰器，实现可过期被清除的功能
- 简化设计，函数的形参定义不包含可变位置参数、可变关键字参数和keyword-only参数 可以不考虑缓存大小，也不用考虑缓存满了之后的换出问题
import inspect,functools,datetime
def xdd_time(fn):
"""
时间统计，统计函数执行时间
:param fn: 需要装饰的函数
:return: 包装后的fn
"""
@functools.wraps(fn)
def wrapper(*args,**kwargs):
start = datetime.datetime.now()
req = fn(*args,**kwargs)
timeout = datetime.datetime.now() - start
print("{}方法耗时：{}，args={},kwargs={},\n执行结果：req={}".format(fn.__name__,timeout.total_seconds(),args,kwargs,req))
return req
return wrapper
def xdd_cache(duration = 5):
def _xdd_cache(fn):
"""
为函数生成缓存机制，具有有效时长功能
:param fn:
:param duration:缓存时长，单位秒，如果为None表示不计算时长，默认全部缓存
:return:
"""
xdd_dict = {} #定义一个字典，用来存参数与对应的计算结果
sig = inspect.signature(fn) #对函数进行签名
@functools.wraps(fn)
def wrapper(*args,**kwargs):
paramestr = getparamestr(args,kwargs) #根据参数获取字符串
req = xdd_dict.get(paramestr,None)
if req is None:
req = fn(*args,**kwargs),datetime.datetime.now()
xdd_dict[paramestr] = req
elif not duration is None and (datetime.datetime.now() - req[1]).total_seconds() > duration: #超时
print("缓存超时")
req = fn(*args, **kwargs),datetime.datetime.now()
xdd_dict[paramestr] = req
return req[0]
def getparamestr(args,kwargs)->str:
"""
格式化参数，将参数格式化为指定格式的字符串
:param args:
:param kwargs:
:return:
"""
parames = sig.parameters
pstr = ()
isargs = True #标记是否还有位置参数
kwdict = {}
for k,(name,v) in enumerate(parames.items()):
v:inspect.Parameter = v
if name == "args": #位置参数已经全部匹配完成
isargs = False
pstr += ("args",tuple(args[k+1:])) #记录剩下的位置参数
continue
if name == "kwargs": #关键字位置参数已经匹配完
pstr += ("kwargs",tuple((k,kwargs[k]) for k in kwargs.keys()-kwdict.keys()))
break
if isargs: # 位置参数还没匹配完
if k<len(args):
pstr += (name, args[k])
else: #实际传参中位置参数已经传完
kwval = kwargs.get(name,v.default)
kwdict[name] = kwval # 记录已经出现的位置参数
pstr += (name,kwval)
else:
kwval = kwargs.get(name, v.default)
kwdict[name] = kwval #记录已经出现的位置参数
pstr += (name,kwval)
# print(k,name,v.name,v.annotation,v.default)
return pstr
return wrapper
return _xdd_cache
# @gdy_cache
# def add(x,y:int=5,*args,z=4,b:int,c=6,**kwargs):
# import time
# time.sleep(3)
# return x+y
@xdd_time
@xdd_cache()
def add(x=4,y=5):
import time
time.sleep(3)
return x+y
print("开始计算")
print(1,add(4,5))
import time
time.sleep(5)
print(2,add(4))
# print(3,add(y=5))
# print(4,add(x=4,y=5))
# print(5,add(y=5,x=4))
# print(6,add())
扫一扫
201
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
