『玩转Streamlit』--缓存机制
Streamlit 应用在运行时，每次用户交互都会触发整个脚本的重新执行。这意味着一些耗时操作，如数据加载、复杂计算和模型训练等，可能会被重复执行，严重影响应用响应速度。
本文介绍的缓存机制能够帮助我们解决这些问题，提高Streamlit 应用的性能。
而Streamlit的缓存机制就像是给应用配备了一个“记忆助手”，它允许开发者将特定函数的计算结果保存下来，当下次相同输入再次调用该函数时，无需重新执行函数，直接返回缓存结果，极大地提高了应用运行效率，减少等待时间。
1. 为什么需要缓存
Streamlit的机制是每次用户交互或代码更改时都会重新运行脚本，这样就导致了：
[*]重复计算：长时间运行的函数可能会被多次调用，导致应用响应变慢
[*]资源浪费：频繁加载和处理大量数据会消耗大量内存和计算资源
[*]用户体验差：应用加载时间过长，影响用户交互体验
为了解决这些问题，Streamlit提供了缓存机制。
缓存机制就像是给应用配备了一个“记忆助手”，它允许开发者将特定函数的计算结果保存下来，当下次相同输入再次调用该函数时，无需重新执行函数，直接返回缓存结果。
通过缓存函数的输出结果，避免重复计算，能够显著提高应用的性能和响应速度。
2. 两种缓存装饰器
Streamlit提供了两种缓存装饰器：st.cache_data和st.cache_resource，它们的主要区别在于缓存的对象类型和使用场景。
2.1. st.cache_data
st.cache_data是用于缓存数据的装饰器。
适用于缓存函数的输出结果，特别是那些返回可序列化数据对象的函数（如 Pandas DataFrame、NumPy 数组、字符串、整数等）。
它的主要参数有：
[*]ttl：缓存的生存时间（以秒为单位）。超过该时间后，缓存将失效并重新计算。
[*]max_entries：缓存中允许的最大条目数。超出该数量时，最旧的缓存条目将被删除。
[*]persist：是否将缓存持久化到磁盘上。默认为False。
[*]show_spinner：是否显示加载动画。默认为True。
[*]allow_output_mutation：是否允许返回值被修改。默认为False，建议谨慎使用。
2.2. st.cache_resource
st.cache_resource是用于缓存资源的装饰器。
适用于缓存那些需要初始化但不需要频繁重新计算的对象，如数据库连接、模型加载等。
它的主要参数有：
[*]ttl和max_entries：与st.cache_data相同。
[*]show_spinner：是否显示加载动画。默认为True。
[*]allow_output_mutation：是否允许返回值被修改。默认为False。
2.3. 两者区别总结
st.cache_datast.cache_resource使用场景适用于缓存函数的输出结果，特别是那些返回可序列化数据对象的函数适用于缓存那些需要初始化但不需要频繁重新计算的对象，如数据库连接、模型加载等特点缓存的是函数的输出结果，适合频繁调用且输出结果可能变化的场景缓存的是资源对象本身，适合初始化耗时但不需要频繁更新的场景缓存内容示例从 API 获取数据、加载 CSV 文件、数据处理等加载预训练模型、建立数据库连接等3. 缓存使用示例
下面通过示例来演示这两种缓存装饰器的使用。
3.1. st.cache_data示例
假设我们有一个应用，需要从API获取数据并展示给用户。
由于数据加载可能需要较长时间，我们可以使用st.cache_data来缓存结果。
import streamlit as stimport requestsimport pandas as pd# 使用 st.cache_data 缓存数据加载@st.cache_data(ttl=3600)# 缓存 1 小时def fetch_data(api_url): response = requests.get(api_url) data = response.json() df = pd.DataFrame(data) return df# 用户界面部分st.title("使用 st.cache_data 缓存数据加载")api_url = "https://jsonplaceholder.typicode.com/posts"df = fetch_data(api_url)st.write(df)在这个例子中，fetch_data函数被@st.cache_data装饰器修饰。
第一次调用时，数据会被加载并缓存，后续调用时直接从缓存中读取，避免重复请求 API，
直至1小时后，缓存失效之后才能重新请求。
3.2. st.cache_resource示例
假设我们有一个机器学习应用，需要加载一个预训练的模型。
由于模型加载可能需要较长时间，我们可以使用st.cache_resource来缓存模型对象。
import streamlit as stimport joblib# 使用 st.cache_resource 缓存模型加载@st.cache_resourcedef load_model(model_path): model = joblib.load(model_path) return model# 用户界面部分st.title("使用 st.cache_resource 缓存模型加载")model_path = "path/to/your/model.pkl"model = load_model(model_path)st.write("模型已加载，可以进行预测！")在这个例子中，load_model函数被@st.cache_resource装饰器修饰。
模型加载后会被缓存，后续调用时直接从缓存中读取，避免重复加载。
4. 总结
Streamlit的缓存机制通过st.cache_data和st.cache_resource提供了强大的性能优化功能。
它们可以帮助开发者减少重复计算、节省资源，并显著提高应用的响应速度。
在实际开发中，开发者可以根据需求选择合适的缓存装饰器：
[*]如果需要缓存函数的输出结果，使用st.cache_data
[*]如果需要缓存初始化的资源对象，使用st.cache_resource
合理使用缓存机制，可以让 Streamlit 应用更加高效和流畅，提升用户体验。
页:
[1]