content-hash-cache-pattern

内容哈希文件缓存模式

使用 SHA-256 内容哈希作为缓存键来缓存高开销的文件处理结果（PDF 解析、文本提取、图像分析）。与基于路径的缓存不同，此方法在文件移动/重命名后仍然有效，并在内容变更时自动失效。

何时激活

• 构建文件处理管道（PDF、图像、文本提取）
• 处理成本高且相同文件被重复处理
• 需要 --cache/--no-cache CLI 选项
• 想要为现有纯函数添加缓存而不修改它们

核心模式

1. 基于内容哈希的缓存键

使用文件内容（而非路径）作为缓存键：

import hashlib
from pathlib import Path

_HASH_CHUNK_SIZE = 65536  # 大文件使用 64KB 分块

def compute_file_hash(path: Path) -> str:
    """文件内容的 SHA-256 哈希（分块处理大文件）。"""
    if not path.is_file():
        raise FileNotFoundError(f"文件未找到: {path}")
    sha256 = hashlib.sha256()
    with open(path, "rb") as f:
        while True:
            chunk = f.read(_HASH_CHUNK_SIZE)
            if not chunk:
                break
            sha256.update(chunk)
    return sha256.hexdigest()

为什么用内容哈希？ 文件重命名/移动 = 缓存命中。内容变更 = 自动失效。不需要索引文件。

2. 冻结数据类作为缓存条目

from dataclasses import dataclass

@dataclass(frozen=True, slots=True)
class CacheEntry:
    file_hash: str
    source_path: str
    document: ExtractedDocument  # 缓存的结果

3. 基于文件的缓存存储

每个缓存条目存储为 {hash}.json — 按哈希 O(1) 查找，不需要索引文件。

import json
from typing import Any

def write_cache(cache_dir: Path, entry: CacheEntry) -> None:
    cache_dir.mkdir(parents=True, exist_ok=True)
    cache_file = cache_dir / f"{entry.file_hash}.json"
    data = serialize_entry(entry)
    cache_file.write_text(json.dumps(data, ensure_ascii=False), encoding="utf-8")

def read_cache(cache_dir: Path, file_hash: str) -> CacheEntry | None:
    cache_file = cache_dir / f"{file_hash}.json"
    if not cache_file.is_file():
        return None
    try:
        raw = cache_file.read_text(encoding="utf-8")
        data = json.loads(raw)
        return deserialize_entry(data)
    except (json.JSONDecodeError, ValueError, KeyError):
        return None  # 将损坏视为缓存未命中

4. 服务层包装器（SRP）

保持处理函数纯净。将缓存作为单独的服务层添加。

def extract_with_cache(
    file_path: Path,
    *,
    cache_enabled: bool = True,
    cache_dir: Path = Path(".cache"),
) -> ExtractedDocument:
    """服务层：缓存检查 -> 提取 -> 缓存写入。"""
    if not cache_enabled:
        return extract_text(file_path)  # 纯函数，无缓存感知

    file_hash = compute_file_hash(file_path)

    # 检查缓存
    cached = read_cache(cache_dir, file_hash)
    if cached is not None:
        logger.info("缓存命中: %s (hash=%s)", file_path.name, file_hash[:12])
        return cached.document

    # 缓存未命中 -> 提取 -> 存储
    logger.info("缓存未命中: %s (hash=%s)", file_path.name, file_hash[:12])
    doc = extract_text(file_path)
    entry = CacheEntry(file_hash=file_hash, source_path=str(file_path), document=doc)
    write_cache(cache_dir, entry)
    return doc

关键设计决策

决策	理由
SHA-256 内容哈希	路径无关，内容变更时自动失效
{hash}.json 文件命名	O(1) 查找，不需要索引文件
服务层包装器	SRP：提取保持纯净，缓存是独立的关注点
手动 JSON 序列化	完全控制冻结数据类的序列化
损坏返回 None	优雅降级，下次运行时重新处理
cache_dir.mkdir(parents=True)	首次写入时延迟创建目录

最佳实践

• 哈希内容，而非路径 — 路径会变，内容标识不会
• 哈希大文件时分块处理 — 避免将整个文件加载到内存
• 保持处理函数纯净 — 它们不应知道缓存的存在
• 记录缓存命中/未命中 并附带截断的哈希用于调试
• 优雅处理损坏 — 将无效缓存条目视为未命中，绝不崩溃

需要避免的反模式

# 差：基于路径的缓存（文件移动/重命名后会失效）
cache = {"/path/to/file.pdf": result}

# 差：在处理函数内部添加缓存逻辑（SRP 违规）
def extract_text(path, *, cache_enabled=False, cache_dir=None):
    if cache_enabled:  # 现在这个函数有两个职责
        ...

# 差：对嵌套冻结数据类使用 dataclasses.asdict()
# （可能导致复杂嵌套类型的问题）
data = dataclasses.asdict(entry)  # 改用手动序列化

何时使用

• 文件处理管道（PDF 解析、OCR、文本提取、图像分析）
• 受益于 --cache/--no-cache 选项的 CLI 工具
• 相同文件跨多次运行的批量处理
• 为现有纯函数添加缓存而不修改它们

何时不使用

• 必须始终是最新的数据（实时数据流）
• 缓存条目极其庞大的情况（考虑流式处理）
• 结果依赖于文件内容之外的参数（如不同的提取配置）