在开发高并发或长时间运行的服务时，缓存几乎是绕不开的组件。常见的缓存需求不仅要求快速的读写，还希望能在数据过期后自动清理，或者按照时间顺序逐出最旧的数据。提到按时间排序，许多开发者自然想到堆（Priority Queue），但堆的实现和维护需要额外的数据结构，而 Python 的字典凭借其哈希索引和内置的有序特性，其实可以更简洁地完成这项工作。本文将通过两个实际方案，展示如何仅用字典实现一个带时间排序的缓存，并分析其效率边界。
为什么不用自定义堆结构
堆结构在按时间排序场景中的优势是能够在 O(log n) 时间内取出最早过期的元素，但这一优势需要付出额外代价。首先，原生 heap 只支持在堆顶插入与弹出，若需要删除任意一个中间元素，要么进行线性查找，要么维护一张映射表并在元素失效时做惰性删除。这些操作会让代码复杂度和出错概率同步上升。其次，Python 的 dict 自 3.7 版本起保持了键的插入顺序，这意味着如果以插入时间作为时间排序依据，字典本身就是天然的有序结构。
另一个容易被忽略的点是：缓存场景往往不是只关注“取出最旧”这一种操作。我们同样需要频繁地按 key 读取、更新和删除，而这些操作在堆中都是 O(log n) 或更高，在字典中却都是 O(1)。因此，当缓存规模不是特别大时，用字典配合排序函数，既能得到简洁的代码，又能在整体性能上获得不错的平衡。
基于普通字典和排序函数的简单实现
第一种方案使用普通字典存储 key 与过期时间。我们用 value 和 expire_at 组成的元组作为字典的值，然后通过 min 或 sorted 实现时间排序。完整代码如下：
import time
class DictTimeCache:
def __init__(self):
# key -> (value, expire_at)
self._cache = {}
def set(self, key, value, ttl=60):
expire_at = time.time() + ttl
self._cache[key] = (value, expire_at)
def get(self, key):
item = self._cache.get(key)
if item is None:
return None
value, expire_at = item
if expire_at < time.time():
del self._cache[key]
return None
return value
def cleanup(self):
now = time.time()
expired_keys = [k for k, (v, e) in self._cache.items() if e < now]
for k in expired_keys:
del self._cache[k]
def get_items_sorted_by_time(self):
return sorted(
((e, k, v) for k, (v, e) in self._cache.items()),
key=lambda x: x[0]
)
def pop_oldest(self):
if not self._cache:
return None
oldest_key = min(self._cache, key=lambda k: self._cache[k][1])
value, _ = self._cache.pop(oldest_key)
return oldest_key, value
这段代码的核心是 set 方法和 get 方法。set 在插入时记录当前时间加上 TTL 的结果；get 在返回前检查过期时间，如果已经过期则立刻删除，避免客户端拿到失效数据。cleanup 方法则通过一次列表推导式找出所有过期的 key，再逐个删除，适合在定时任务中调用。
如果需要按时间顺序遍历缓存，get_items_sorted_by_time 会返回一个按过期时间升序排列的列表，元素为 (过期时间, key, value)。pop_oldest 借助 min 找出过期时间最小的 key，也就是最旧的一条记录。整个实现没有借助任何额外数据结构，代码可读性很强。
使用 OrderedDict 实现 LRU 风格的缓存
如果希望 get 和 set 都保持 O(1) 的复杂度，并且让“最近使用”的数据排在最前面，可以使用 collections 模块的 OrderedDict。它结合了字典的哈希查找和链表的有序性，<