Python Azure Function全局变量缓存正确实现方法咨询

• Python版本: 3.7
• 云平台: Azure
• 使用资源: Azure Function
• 实现目标: 通过全局变量缓存提升函数运行速度

使用Python开发Azure Function时，参考官方给出的全局变量缓存示例实现缓存能力，示例代码如下：

CACHED_DATA = None


def main(req):
    global CACHED_DATA
    if CACHED_DATA is None:
        CACHED_DATA = load_json()

    # ... 代码中使用CACHED_DATA

针对该示例逻辑和自行编写的多变量缓存代码，共有3个疑问。

1. 缓存用的全局变量必须固定命名为CACHED_DATA吗？ #

完全不需要。CACHED_DATA只是官方示例里用的占位变量名，没有任何强制命名要求，你可以根据缓存的实际内容自定义名称，只要变量是定义在入口函数外层的全局作用域即可，平台不会对缓存变量名做校验。

2. 全局变量初始赋值为None，会不会每次函数调用都重置导致缓存失效？ #

绝对不会。Azure Function Python运行时的执行逻辑是：单个函数实例启动后会拉起一个常驻Python进程，所有写在函数外层、不属于任何函数/类内部的代码，只会在进程第一次加载代码时执行一次。
你在外层把缓存变量赋值为None的操作，仅会在实例冷启动、进程重启的时候执行，后续同实例接收的所有函数调用，都会直接复用内存中已经赋值的全局变量，不会重复执行外层赋值逻辑把缓存重置为None。只有当实例闲置过久被回收、代码更新触发实例重建时，全局变量才会重新初始化，此时缓存失效属于正常现象。

3. 多全局变量缓存的代码实现是否正确？ #

核心缓存思路是对的，但你贴的代码存在致命缩进错误，不修正的话根本跑不起来：你写的两个if缓存加载块没有缩进在main函数内部，和上方的global变量声明不在同一个作用域，不仅缓存逻辑不生效，还会触发变量作用域报错。
修正缩进后的可用实现如下：

# 提前导入所有依赖、定义全局常量（比如ROOT_DIR）
import os
from os import path as os_path
import joblib
import azure.functions as func
# 其他依赖：比如pandas的read_csv、自定义的cfp模块等

# 全局缓存变量初始化，仅在进程加载时执行一次
stop_words = None
vocabulary = None
vectorizer_parameters = None

def main(req: func.HttpRequest, context: func.Context) -> func.HttpResponse:
    # 声明要修改的全局变量
    global stop_words
    global vocabulary
    global vectorizer_parameters

    # 懒加载停用词缓存
    if stop_words is None:
        stop_words_file_path = os_path.join(ROOT_DIR,'azure_function_app_sortierer','parameters','CustomStopWords.csv')
        df_stop_words = read_csv(stop_words_file_path)
        stop_words = df_stop_words['Stopwords'].tolist()

    # 懒加载词典和向量化参数缓存
    if vocabulary is None or vectorizer_parameters is None:
        vocabulary = {}
        vectorizer_parameters = {}
        for v in ['clean_noCompound-tfidf_stopWords_unigrams', 'clean_noCompound-tfidf_stopWords_bigrams']:
            vocabulary_file_path = os_path.join(ROOT_DIR, 'azure_function_app_sortierer', 'model' , '00_' + v + '_Vocabulary.pkl')
            vocabulary[v] = joblib.load(vocabulary_file_path)
            vectorizer_parameters[v] = cfp.set_vectorizer_parameters(vectorizer_name=v,stopWords=stop_words,vocabulary=vocabulary[v])
    
    # 后续直接使用三个缓存好的变量写业务逻辑即可

补充两个实践注意点：

• 你现在用的懒加载逻辑是合理的，不要图省事把读文件、加载模型的逻辑直接写在全局变量初始化的位置，那样会大幅拉长函数冷启动时间，甚至触发启动超时。
• 这种全局变量缓存是单实例级别的，如果函数并发过高触发横向扩容，每个新启动的实例都会独立加载一份自己的缓存，不会跨实例共享。如果需要跨实例共享的全局缓存，需要对接Redis这类外部缓存服务；如果只是为了减少同实例下重复读文件、加载模型的开销，当前写法完全够用。

内容的提问来源于stack exchange，提问作者sergioMoreno