معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Utilities to make caching data easier

ویژگی	مقدار
سیستم عامل	-
نام فایل	cachingutils-1.0.7
نام	cachingutils
نسخه کتابخانه	1.0.7
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	vcokltfre
ایمیل نویسنده	vcokltfre@gmail.com
آدرس صفحه اصلی	https://github.com/vcokltfre/cachingutils
آدرس اینترنتی	https://pypi.org/project/cachingutils/
مجوز	MIT

# cachingutils Utilities to make caching data easier ## Examples Basic caching: ```py from cachingutils import cached @cached() def fib(n: int) -> int: if n < 2: return n return fib(n - 1) + fib(n - 2) print(fib(100)) # 354224848179261915075 ``` Caching with your own cache object: ```py from cachingutils import Cache, cached my_cache = Cache() @cached(cache=my_cache) def fib(n: int) -> int: if n < 2: return n return fib(n - 1) + fib(n - 2) print(fib(100)) # 354224848179261915075 ``` Caching with an LRU cache: ```py from cachingutils import LRUCache, cached @cached(cache=LRUCache(2, timeout=60), include_posargs=[0]) def fetch_thing(thing_id: int, thing_name: str) -> tuple[int, str]: return thing_id, thing_name # Imagine this is a call to an API print(fetch_thing(123, "456")) # (123, "456") print(fetch_thing(123, "789")) # (123, "456") fetch_thing(567, "789") fetch_thing(789, "456") print(fetch_thing(123, "456")) # Cache miss ``` Async caching: ```py from asyncio import run from cachingutils import acached @acached() async def fib(n: int) -> int: if n < 2: return n return await fib(n - 1) + await fib(n - 2) print(run(fib(100))) # 354224848179261915075 ``` Caching specific positional args: ```py from cachingutils import cached @cached(include_posargs=[0]) async def add(a: int, b: int) -> int: return a + b print(add(1, 2)) # 3 print(add(2, 2)) # 3 print(add(2, 3)) # 5 ``` Caching specific keyword args: ```py from cachingutils import cached @cached(include_posargs=[0], include_kwargs=['c']) def add(a: int, b: int, *, c: int) -> int: return a + b print(add(1, 2, c=3)) # 3 print(add(2, 2, c=3)) # 4 print(add(2, 3, c=3)) # 4 ``` Caching with a timeout: ```py from time import sleep from cachingutils import cached @cached(timeout=1, include_posargs=[0]) def add(a: int, b: int) -> int: return a + b print(add(1, 2)) # 3 print(add(1, 3)) # 3 sleep(2) print(add(1, 3)) # 4 ``` Using a raw `Cache` object: ```py from time import sleep from cachingutils import Cache my_cache: Cache[str, int] = Cache(timeout=5) my_cache["abc"] = 123 print(my_cache["abc"]) # 123 sleep(6) print(my_cache["abc"]) # KeyError: 'abc' ``` --- All of the above decorators also work within classes: ```py from cachingutils import cached class MyClass: @cached() def fib(self, n: int) -> int: if n < 2: return n return self.fib(n - 1) + self.fib(n - 2) my_class = MyClass() print(my_class.fib(100)) # 354224848179261915075 ```

نیازمندی

مقدار	نام
>=1.1.7,<2.0.0	lru-dict

زبان مورد نیاز

مقدار	نام
>=3.9,<4.0	Python

نحوه نصب

نصب پکیج whl cachingutils-1.0.7:

pip install cachingutils-1.0.7.whl

نصب پکیج tar.gz cachingutils-1.0.7:

pip install cachingutils-1.0.7.tar.gz