【深入理解LRU Cache】：缓存算法的经典之作
���录
一、什么是LRU Cache？
二、LRU Cache的实现
1.JDK中类似LRUCahe的数据结构LinkedHashMap
2.自己实现双向链表
三、LRU Cache的OJ
一、什么是LRU Cache？
LRU Cache（Least Recently Used的缩写，即最近最少使用，它是一种Cache的替换算法。看Cache替换算法这篇文章）是一种常见的缓存淘汰算法。用于在有限的缓存空间中管理数据对象。LRU Cache 的核心思想是基于时间局部性原理，即最近被访问的数据在未来可能会被再次访问。
Cache的容量有限，因此当Cache的容量用完后，而又有新的内容需要添加进来时， 就需要挑选并舍弃原有 的部分内容，从而腾出空间来放新内容。LRU Cache 的替换原则就是将最近最少使用的内容替换掉。其实， LRU译成最久未使用会更形象， 因为该算法每次替换掉的就是一段时间内最久没有使用过的内容。注意：LRU Cache 应该更准确地归类为一种缓存淘汰算法，而非传统意义上的数据结构。尽管 LRU Cache 在实现时通常会利用数据结构（如双向链表和哈希表），但它本身更像是一种策略，用于管理缓存中的数据对象。
二、LRU Cache的实现
实现LRU Cache的方法和思路很多，但是要保持高效实现O(1)的put和get，那么使用双向链表和哈希表的搭配是最高效和经典的。
使用双向链表是因为双向链表可以实现任意位置O(1)的插入和删除，双向链表用于记录数据对象的访问顺序，每当一个数据对象被访问时，就将其移动到链表的头部。这样，链表头部的数据对象就是最近被访问的数据，而链表尾部的数据对象则是最久未被访问的数据。同时，使用哈希表能够以 O(1) 的时间复杂度进行数据对象的查找。
当缓存空间达到上限时，需要淘汰最久未被访问的数据对象。这时只需从链表尾部删除相应的数据对象，并在哈希表中删除对应的索引即可。
1.JDK中类似LRUCahe的数据结构LinkedHashMap
LinkedHashMap中有一个这样的构造方法：
重点的accessOrder：
accessOrder 是一个 boolean 类型的参数，用于指定是否按照访问顺序来排序条目。当accessOrder 被设置为 true 时，表示按照访问顺序排序条目；当 accessOrder 被设置为 false 或未指定时（默认情况下），则按照插入顺序排序条目。
示例1：当accessOrder的值为false的时候
输出结果：
{1=a, 2=b, 4=e, 3=c} 以上结果按照插入顺序进行打印。 示例2：当accessOrder的值为true的时候 输出结果： {4=e, 3=c, 1=a, 2=b} 每次使用get方法，访问数据后，会把数据放到当前双向链表的最后。 当accessOrder为true时，get方法和put方法都会调用recordAccess方法使得最近使用的Entry移到双向链表的末尾；当accessOrder为默认值false时，从源码中可以看出recordAccess方法什么也不会做。 所以要实现一个LRU Cache，最简单的策略就是用自定义类继承LinkedHashMap，然后根据不同要求重写部分方法（ 必须重写removeEldestEntry这个方法，默认是false ）。import java.util.LinkedHashMap;
import java.util.Map;
public class LRUCache extends LinkedHashMap {
private final int capacity;
public LRUCache(int capacity) {
//accessOrder设置为false时，会按照插入顺序进行排序，当accessOrder为true时，会按照访问顺序
super(capacity, 0.75f, true);
this.capacity = capacity;
}
@Override
public Integer get(Object key) {
//如果get不到，返回默认值-1
return super.getOrDefault(key, -1);
}
@Override
public Integer put(Integer key, Integer value) {
return super.put(key, value);
}
@Override
protected boolean removeEldestEntry(Map.Entry eldest) {
//如果集合内元素个数超过capacity，会将最不常用的元素出队，并将新元素插在尾部
return size() > capacity;
}
}
测试：
当然在面试时这个做法肯定不会符合面试官的要求，更好的做法是自己实现一个双向链表。
2.自己实现双向链表
前面说到：
- 双向链表用于记录数据对象的访问顺序，每当一个数据对象被访问时，就将其移动到链表的头部。这样，链表头部的数据对象就是最近被访问的数据，而链表尾部的数据对象则是最久未被访问的数据。同时，使用哈希表能够以 O(1) 的时间复杂度进行数据对象的查找。
- 当缓存空间达到上限时，需要淘汰最久未被访问的数据对象。这时只需从链表尾部删除相应的数据对象，并在哈希表中删除对应的索引即可。
为方便测试，我重写了toString方法，测试代码也包含在里面，根据需求删除即可。
import java.util.HashMap; import java.util.Map; //双向链表 + 哈希表 public class MyLRUCache { //双向链表的节点类 static class DLinkedNode { //键值对 int key; int val; DLinkedNode next; DLinkedNode prev; public DLinkedNode() { } public DLinkedNode(int key, int val) { this.key = key; this.val = val; } } private Map cache; //缓存 private final int capacity; private int size; //虚拟的头尾节点（哨兵） private DLinkedNode head; private DLinkedNode tail; public MyLRUCache(int capacity) { this.capacity = capacity; this.cache = new HashMap(); //连接虚拟头尾节点 this.head = new DLinkedNode(); this.tail = new DLinkedNode(); head.next = tail; tail.prev = head; } //插入数据 public void put(int key, int value) { //两种情况：元素是否存在 if (!cache.containsKey(key)) { //1.元素不存在 //1.1 新元素加到cache集合中 DLinkedNode newNode = new DLinkedNode(key, value); cache.put(key, newNode); //1.2 插到尾部 addLast(newNode); size++; //1.3 判断当前的元素个数是否超过容量 if (size > capacity) { //1.4 删除第一个节点，即最近最久未使用 DLinkedNode del = removeFirst(); //同时需要把该元素从cache中删除 cache.remove(del.key); size--; } } else { //2.元素存在，修改链表的顺序，将该节点放到尾部（最近一次使用的） DLinkedNode node = cache.get(key); //2.1 以新的值将该节点移动到尾部 node.val = value; moveLast(node); } } //将节点移动到尾部 private void moveLast(DLinkedNode node) { //1.删除当前节点 removeNode(node); //2.尾插到链表 addLast(node); } //删除节点 private void removeNode(DLinkedNode node) { node.prev.next = node.next; node.next.prev = node.prev; } //删除第一个节点 private DLinkedNode removeFirst() { DLinkedNode del = head.next; head.next = del.next; head.next.prev = head; return del; } //尾插到链表 private void addLast(DLinkedNode node) { //连接最后一个节点和新的尾节点 tail.prev.next = node; node.prev = tail.prev; //连接新尾节点和傀儡尾节点 tail.prev = node; node.next = tail; } //获取数据 public int get(int key) { //1.cache集合中拿到这个节点 DLinkedNode node = cache.get(key); //2.判断是否有这个节点 if (node != null) { //2.1 有该节点 将该节点移动到尾部（最近一次使用的） moveLast(node); return node.val; } //2.2 没有该节点，返回-1 return -1; } //删除数据 public boolean remove(int key) { //1.看缓存中存不存在 DLinkedNode node = cache.get(key); //2.不存在，直接返回 if (node == null) { return false; } //3.存在 //3.1 删除链表的节点 removeNode(node); //3.2 删除cache集合的数据 cache.remove(key); size--; return true; } @Override public String toString() { StringBuilder sbu = new StringBuilder(); DLinkedNode cur = head.next; sbu.append("{"); while (cur != tail) { if (cur.next != tail) { sbu.append(cur.key).append("=").append(cur.val).append(", "); } else { sbu.append(cur.key).append("=").append(cur.val); } cur = cur.next; } sbu.append("}"); return sbu.toString(); } public static void main(String[] args) { MyLRUCache lruCache = new MyLRUCache(3); lruCache.put(1, 10); lruCache.put(2, 11); lruCache.put(3, 12); System.out.println(lruCache); System.out.println("使用后："); lruCache.get(2); System.out.println(lruCache); lruCache.get(1); System.out.println(lruCache); lruCache.put(4, 13); System.out.println("最不常用的被删除，新元素插到尾部："); System.out.println(lruCache); } }三、LRU Cache的OJ
LeetCode 热题100 链表专题的最后一题
146. LRU 缓存 - 力扣（LeetCode）https://leetcode.cn/problems/lru-cache/solutions/259678/lruhuan-cun-ji-zhi-by-leetcode-solution/?envType=study-plan-v2&envId=top-100-liked前面两种实现中，MyLRUCache的get方法在获取不到数据时返回的是-1的原因就是根据这道题的要求做的，并且多写了一个remove方法。提交时将类名和构造方法改成原题默认的LRUCache，且不要main方法即可。