缓存方案
内存缓存
from functools import lru_cache
@lru_cache(maxsize=128)
def expensive_function(param):
# 这里是一些昂贵的操作
return result
from cachetools import LRUCache
cache = LRUCache(maxsize=100)
cache['key'] = 'value'
value = cache['key']
**joblib**：这是一个用于缓存函数调用结果的库，特别适用于机器学习领域。
from joblib import Memory
memory = Memory(location='.', verbose=0)
@memory.cache
def load_data():
# 加载数据的代码
return data
磁盘缓存
dill
dill 是一个 Python 第三方库，它扩展了 Python 标准库中的 pickle 模块，用于序列化和反序列化 Python 对象。dill 的主要优势在于它能够处理 pickle 无法序列化的更复杂的对象类型，比如函数、类、lambda 表达式、闭包以及一些动态创建的对象。
以下是 dill 包的一些关键特性：
增强的序列化能力：dill 支持序列化 lambda 函数、包含默认参数的函数、以及一些 pickle 无法处理的特殊对象。
会话状态保存：dill 可以保存和加载当前 Python 解释器的会话状态，这对于调试和分析非常有用。
源码还原：dill 的 source 模块可以从序列化结果中还原对象的源码，这在序列化的对象为函数时非常有用。
与 pickle 的兼容性：dill 兼容 pickle 的用法，因此可以很容易地替换 pickle 来获得更强大的序列化能力。
跨进程和机器的对象传输：dill 使得 Python 对象能够在不同的进程或机器之间进行传输。
使用 dill 的基本方法如下：
import dill
# 对象序列化
with open('object.pkl', 'wb') as f:
dill.dump(your_object, f)
# 对象反序列化
with open('object.pkl', 'rb') as f:
your_object = dill.load(f)
dill 的这些特性使其成为机器学习、数据处理等领域中保存和加载模型或复杂对象的有力工具。然而，需要注意的是，使用 dill 序列化模型时可能会遇到版本兼容性问题，尤其是在 scikit-learn 或 statsmodels 等库更新版本后。因此，在使用 dill 时，需要确保模型的版本与 dill 库的版本兼容，或者考虑使用其他更稳定的序列化库。
插件
String Manipulation
手动环境加载
flask
def do_work(*args, **kwargs):
from app import app # 加载环境
with app.app_context(): # 加载 flask 上下文
... # do something
如果某一个 py 文件既被单独执行的脚本引用，又被 web 服务使用
try:
import app
except:
pass
持久化 TfidfVectorizer
使用 dill
https://stackoverflow.com/questions/67714255/how-to-pickle-dump-tfidf-vectorizer-with-custom-method
JSON 中字典的 key 不能是数字，所以后端的字典会有问题