双端队列（deque）是构建滑动窗口限流器最轻量可靠的数据结构，因其popleft()和append()均为O(1)，而list.pop(0)为O(n)；需用time.monotonic()防系统时间回拨，并加锁保障并发安全。
双端队列（deque）本身不直接实现限流，但它是构建滑动窗口计数器最轻量、最可靠的数据结构——关键在于维护时间戳+计数的有序序列，而非简单存请求。
为什么不用 list 而必须用 deque？
滑动窗口需要频繁在头部淘汰过期请求、在尾部追加新请求。用 list 时，pop(0) 是 O(n) 操作，高并发下会拖垮性能；deque 的 popleft() 和 append() 都是 O(1)。
- 错误写法：
requests = []; requests.pop(0)→ 每次删头都遍历整个列表 - 正确做法：
from collections import deque; window = deque() - 注意：
deque不支持随机索引（如window[0]可读，但window[-1]在极老 Python 版本中可能慢），只应按序操作
如何用 deque 存储时间戳并判断是否超限？
核心逻辑是：把每个请求的 time.time()（或 time.monotonic()）追加到 deque 尾部，然后从头部持续弹出早于 now - window_size 的时间戳，最后检查剩余长度是否 ≤ 最大请求数。
from collections import deque
import time
<p>class SlidingWindowLimiter:
def <strong>init</strong>(self, max_requests: int, window_seconds: float):
self.max_requests = max_requests
self.window = deque()
self.window_seconds = window_seconds</p><pre class='brush:python;toolbar:false;'>def allow(self) -> bool:
now = time.monotonic() # 更安全，不受系统时间调整影响
# 清理过期时间戳
while self.window and self.window[0] < now - self.window_seconds:
self.window.popleft()
# 判断是否还有容量
if len(self.window) < self.max_requests:
self.window.append(now)
return True
return False</pre>- 必须用
time.monotonic()：避免系统时间回拨导致窗口误判（比如 NTP 校正） - 清理逻辑放在
allow()开头：保证每次调用看到的都是当前有效窗口 - 不要在
append()后再清理：可能漏掉刚插入就过期的极端情况（虽然概率低，但逻辑更稳）
并发场景下 deque 是否线程安全？
deque.append() 和 deque.popleft() 单个操作是原子的，但整个“检查→清理→追加→返回”流程不是。多线程直用会丢请求或超限。
立即学习“Python免费学习笔记（深入）”；
- 最简修复：加
threading.Lock，锁粒度控制在allow()方法内 - 进阶选择：用
asyncio.Lock（协程场景）、或改用 Redis + Lua（分布式限流） - 陷阱：
len(deque)不是原子操作，不能靠它做条件判断再操作；必须锁住整个判断+修改流程
滑动窗口真正的复杂点不在数据结构，而在于时间精度取舍和并发边界——deque 只是那个刚好够用、不拖后腿的容器；一旦涉及毫秒级窗口或跨进程共享，就得换方案了。
