Python钩子函数失效排查与性能优化：注册与缓存技巧解析

python钩子函数不起作用

原因可能是钩子函数没有正确注册、钩子函数写在其他代码中等。
1、钩子函数没有正确注册：在使用钩子函数之前，必须在程序上注册。
如果忘记注册，钩子函数将不会被调用。
请确保在适当的位置调用注册挂钩的代码。
2、钩子函数写在其他代码中：如果程序中定义了与钩子函数同名的其他函数，则钩子可能被覆盖。
请确保钩子函数名称是唯一的，以避免与其他代码冲突。

Python缓存函数提升性能—functools.cache

缓存，在计算机软件领域，是指将一些数据存储在内存中以获得更快的访问速度。
常见的应用场景包括递归函数、查表函数以及其他需要复用函数值的情况。
函数装饰器用于为函数提供缓存函数，以节省高开销或I/O函数调用。
即相同参数下，后续调用直接从缓存中读取结果，而不实际执行该函数。
但是，函数的固定参数和关键字参数必须是可哈希的，并且不允许使用不可哈希类型的参数，例如numpy数组。
如果不使用就会报错。
解决方案包括将数组转换为元组或其他可哈希类型并传递它，或者使用缓存输出库。
在Python中，functools.lru_cache是​​一个常用的缓存装饰器，它提供固定大小的缓存空间，并使用LRU算法删除旧数据以释放空间。
该装饰器允许您显示当前缓存信息，例如命中和未命中、保存结果的最大数量以及当前保存的数据大小。
同时，可以使用maxsize参数设置缓存大小，或者将其设置为None以禁用LRU功能并允许缓存无限增长。
当类型化参数为True时，不同参数类型的调用将单独缓存。
functools.cache是Python3.9中的新增功能，它提供了一个更简单、更快速的字典包装器来查找函数参数，但您需要注意内存使用情况。
如果您面临使用限制或效率问题，可以考虑使用cashout库。
这有效地解决了functools.cache可能出现的问题，例如处理无法散列的参数类型。
总之，缓存技术通过存储函数的结果来加速后续调用。
这在函数用于递归、循环或多次调用的场景中尤其有效。
缓存装饰器（例如functools.lru_cache和functools.cache）在与其他库（例如cacheout）适当结合使用时，可以优化代码的性能并提高执行效率。