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javascript:void(0)

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

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())