Streamlit 應用在運行時，每次用戶交互都會觸發整個腳本的重新執行。

這意味著一些耗時操作，如數據加載、復雜計算和模型訓練等，可能會被重復執行，嚴重影響應用響應速度。

本文介紹的緩存機制能夠幫助我們解決這些問題，提高Streamlit 應用的性能。

而Streamlit的緩存機制就像是給應用配備了一個“記憶助手”，它允許開發者將特定函數的計算結果保存下來，當下次相同輸入再次調用該函數時，無需重新執行函數，直接返回緩存結果，極大地提高了應用運行效率，減少等待時間。

1. 為什么需要緩存

Streamlit的機制是每次用戶交互或代碼更改時都會重新運行腳本，這樣就導致了：

1. 重復計算：長時間運行的函數可能會被多次調用，導致應用響應變慢
2. 資源浪費：頻繁加載和處理大量數據會消耗大量內存和計算資源
3. 用戶體驗差：應用加載時間過長，影響用戶交互體驗

為了解決這些問題，Streamlit提供了緩存機制。

緩存機制就像是給應用配備了一個“記憶助手”，它允許開發者將特定函數的計算結果保存下來，當下次相同輸入再次調用該函數時，無需重新執行函數，直接返回緩存結果。

通過緩存函數的輸出結果，避免重復計算，能夠顯著提高應用的性能和響應速度。

2. 兩種緩存裝飾器

Streamlit提供了兩種緩存裝飾器：st.cache_data和st.cache_resource，它們的主要區別在于緩存的對象類型和使用場景。

2.1. st.cache_data

st.cache_data是用于緩存數據的裝飾器。

適用于緩存函數的輸出結果，特別是那些返回可序列化數據對象的函數（如 Pandas DataFrame、NumPy 數組、字符串、整數等）。

它的主要參數有：

• ttl：緩存的生存時間（以秒為單位）。超過該時間后，緩存將失效并重新計算。
• max_entries：緩存中允許的最大條目數。超出該數量時，最舊的緩存條目將被刪除。
• persist：是否將緩存持久化到磁盤上。默認為False。
• show_spinner：是否顯示加載動畫。默認為True。
• allow_output_mutation：是否允許返回值被修改。默認為False，建議謹慎使用。

2.2. st.cache_resource

st.cache_resource是用于緩存資源的裝飾器。

適用于緩存那些需要初始化但不需要頻繁重新計算的對象，如數據庫連接、模型加載等。

它的主要參數有：

• ttl和max_entries：與st.cache_data相同。
• show_spinner：是否顯示加載動畫。默認為True。
• allow_output_mutation：是否允許返回值被修改。默認為False。

2.3. 兩者區別總結

	st.cache_data	st.cache_resource
使用場景	適用于緩存函數的輸出結果，特別是那些返回可序列化數據對象的函數	適用于緩存那些需要初始化但不需要頻繁重新計算的對象，如數據庫連接、模型加載等
特點	緩存的是函數的輸出結果，適合頻繁調用且輸出結果可能變化的場景	緩存的是資源對象本身，適合初始化耗時但不需要頻繁更新的場景
緩存內容示例	從 API 獲取數據、加載 CSV 文件、數據處理等	加載預訓練模型、建立數據庫連接等

3. 緩存使用示例

下面通過示例來演示這兩種緩存裝飾器的使用。

3.1. st.cache_data示例

假設我們有一個應用，需要從API獲取數據并展示給用戶。

由于數據加載可能需要較長時間，我們可以使用st.cache_data來緩存結果。

import streamlit as st

import requests

import pandas as pd

# 使用 st.cache_data 緩存數據加載

@st.cache_data(ttl=3600)  # 緩存 1 小時

def fetch_data(api_url):

    response = requests.get(api_url)

    data = response.json()

    df = pd.DataFrame(data)

    return df

# 用戶界面部分

st.title("使用 st.cache_data 緩存數據加載")

api_url = "https://jsonplaceholder.typicode.com/posts"

df = fetch_data(api_url)

st.write(df)

在這個例子中，fetch_data函數被@st.cache_data裝飾器修飾。

第一次調用時，數據會被加載并緩存，后續調用時直接從緩存中讀取，避免重復請求 API，

直至1小時后，緩存失效之后才能重新請求。

3.2. st.cache_resource示例

假設我們有一個機器學習應用，需要加載一個預訓練的模型。

由于模型加載可能需要較長時間，我們可以使用st.cache_resource來緩存模型對象。

import streamlit as st

import joblib

# 使用 st.cache_resource 緩存模型加載

@st.cache_resource

def load_model(model_path):

    model = joblib.load(model_path)

    return model

# 用戶界面部分

st.title("使用 st.cache_resource 緩存模型加載")

model_path = "path/to/your/model.pkl"

model = load_model(model_path)

st.write("模型已加載，可以進行預測！")

在這個例子中，load_model函數被@st.cache_resource裝飾器修飾。

模型加載后會被緩存，后續調用時直接從緩存中讀取，避免重復加載。

4. 總結

Streamlit的緩存機制通過st.cache_data和st.cache_resource提供了強大的性能優化功能。

它們可以幫助開發者減少重復計算、節省資源，并顯著提高應用的響應速度。

在實際開發中，開發者可以根據需求選擇合適的緩存裝飾器：

• 如果需要緩存函數的輸出結果，使用st.cache_data
• 如果需要緩存初始化的資源對象，使用st.cache_resource

合理使用緩存機制，可以讓 Streamlit 應用更加高效和流暢，提升用戶體驗。

總結

以上是生活随笔為你收集整理的『玩转Streamlit』--缓存机制的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。