猫头虎 分享已解决Bug：Matplotlib is building the font cache； this may take a moment.

猫头虎 分享已解决Bug：Matplotlib is building the font cache; this may take a moment.

🚀 问题背景

在使用 Python 数据可视化库 Matplotlib 时，你可能会遇到类似这样的一条提示：

Matplotlib is building the font cache; this may take a moment.

Matplotlib is building the font cache; this may take a moment.

虽然这是一个正常的日志输出，但在运行一些简单脚本时，它会导致启动时间延迟，甚至在某些情境下，影响到项目的性能。

今天我们就来剖析这个问题的根源，并分享一套 高效、实用的解决方案！

正文

🧐 问题分析

1. Font Cache 是什么？

Matplotlib 会使用字体缓存文件 (~/.matplotlib/fontlist.json) 来加速字体加载。这一步骤包括扫描系统中的所有字体并生成映射关系。这种映射会存储在缓存文件中，以避免每次运行时重新扫描字体。

2. 为什么会花时间？

当以下情况出现时，Matplotlib 会重建字体缓存：

• 首次使用：缓存文件尚未生成。
• 缓存丢失：例如手动删除或被意外清理。
• 字体更新：系统新增或删除了字体。

3. 可能影响的场景

• 首次运行时明显变慢。
• 在 容器化环境 中，比如 Docker，每次启动可能都会重建缓存。
• 部署到资源有限的机器时，比如嵌入式系统。

⚡ 解决方案

方法 1：手动生成字体缓存

手动生成字体缓存可以避免每次运行代码时重复构建。只需运行以下命令：

import matplotlib
matplotlib.font_manager._rebuild()

✅ 结果：在首次执行时，缓存文件会被生成。之后的运行中，这条提示就不会再次出现。

方法 2：指定字体缓存位置

在某些环境中，例如 Docker 容器，默认缓存路径可能无法持久化。此时，可以指定自定义的缓存路径：

import matplotlib
import os

# 指定自定义缓存目录
os.environ['MPLCONFIGDIR'] = '/path/to/custom/cache'

# 生成缓存
matplotlib.font_manager._rebuild()

✅ 结果：字体缓存会存储在 /path/to/custom/cache 目录下，避免在临时环境中频繁重建。

方法 3：静默运行

如果你只是想禁用日志输出，可以通过以下方式屏蔽它：

import logging
import matplotlib
logging.getLogger('matplotlib').setLevel(logging.WARNING)

✅ 结果：仍会生成缓存，但提示信息不会显示。

方法 4：检查依赖并优化环境

确保你的 Matplotlib 和相关依赖是最新版本：

pip install --upgrade matplotlib

或者在 Dockerfile 中优化：

RUN python -c "import matplotlib; matplotlib.font_manager._rebuild()"

✅ 结果：生成缓存后，镜像中的 Matplotlib 环境已经就绪。

🛠️ 代码示例

以下是一个完整示例，展示如何在脚本中提前生成缓存并静默运行：

import matplotlib
import logging
import os

# 配置自定义缓存路径
os.environ['MPLCONFIGDIR'] = './matplotlib_cache'

# 屏蔽字体构建的提示信息
logging.getLogger('matplotlib').setLevel(logging.WARNING)

# 强制生成字体缓存
matplotlib.font_manager._rebuild()

# 开始你的 Matplotlib 可视化
import matplotlib.pyplot as plt

plt.plot([1, 2, 3], [4, 5, 6])
plt.title("测试字体缓存")
plt.show()

🌟 温馨提示

缓存位置检查：默认缓存文件路径可以通过以下方式查看：

import matplotlib
print(matplotlib.get_cachedir())

权限问题：如果运行脚本的用户没有权限写入缓存文件，会导致缓存失败。

🎯 总结

• 通过手动生成缓存或优化环境，可以有效减少 Matplotlib 重建字体缓存的延迟。
• 如果是生产环境，推荐在部署时提前生成字体缓存，避免运行时卡顿。
• 小问题，大影响。及时优化这些“小细节”，能显著提升程序性能！

😺 猫头虎小问答： 你是否遇到过类似的性能问题？欢迎留言讨论，我们一起探索更优雅的解决方案！

✍️ 标签：Matplotlib、字体缓存、Python、性能优化

猫头虎