前言
java 从零手写实现 redis（一）如何实现固定大小的缓存？
java 从零手写实现 redis（三）redis expire 过期原理
java 从零手写实现 redis（三）内存数据如何重启不失落？
java 从零手写实现 redis（四）增加监听器
java 从零手写实现 redis（五）过期策略的另一种实现思路
java 从零手写实现 redis（六）AOF 长久化原理详解及实现
咱们后面简略实现了 redis 的几个个性，java 从零手写实现 redis（一）如何实现固定大小的缓存？中实现了先进先出的驱除策略。
然而理论工作实际中，个别举荐应用 LRU/LFU 的驱除策略。
LRU 基础知识
是什么
LRU 算法全称是最近起码应用算法（Least Recently Use），宽泛的利用于缓存机制中。
当缓存应用的空间达到下限后，就须要从已有的数据中淘汰一部分以维持缓存的可用性，而淘汰数据的抉择就是通过 LRU 算法实现的。
LRU 算法的根本思维是基于局部性原理的工夫局部性：
如果一个信息项正在被拜访，那么在近期它很可能还会被再次拜访。
拓展浏览
Apache Commons LRUMAP 源码详解
Redis 当做 LRU MAP 应用
java 从零开始手写 redis（七）redis LRU 驱除策略详解及实现
简略的实现思路
基于数组
计划：为每一个数据附加一个额定的属性——工夫戳，当每一次拜访数据时，更新该数据的工夫戳至以后工夫。
当数据空间已满后，则扫描整个数组，淘汰工夫戳最小的数据。
有余：保护工夫戳须要消耗额定的空间，淘汰数据时须要扫描整个数组。
这个工夫复杂度太差，空间复杂度也不好。
基于长度无限的双向链表
计划：拜访一个数据时，当数据不在链表中，则将数据插入至链表头部，如果在链表中，则将该数据移至链表头部。当数据空间已满后，则淘汰链表最开端的数据。
有余：插入数据或取数据时，须要扫描整个链表。
这个就是咱们上一节实现的形式，毛病还是很显著，每次确认元素是否存在，都要耗费 O(n) 的工夫复杂度去查问。
基于双向链表和哈希表
计划：为了改良下面须要扫描链表的缺点，配合哈希表，将数据和链表中的节点造成映射，将插入操作和读取操作的工夫复杂度从 O(N) 降至 O(1)
毛病：这个使咱们上一节提到的优化思路，不过还是有毛病的，那就是空间复杂度翻倍。
数据结构的抉择
（1）基于数组的实现
这里不倡议抉择 array 或者 ArrayList，因为读取的工夫复杂度为 O(1)，然而更新绝对是比较慢的，尽管 jdk 应用的是 System.arrayCopy。
（2）基于链表的实现
如果咱们抉择链表，HashMap 中还是不能简略的存储 key, 和对应的下标。
因为链表的遍历，实际上还是 O(n) 的，双向链表实践上能够优化一半，然而这并不是咱们想要的 O(1) 成果。
（3）基于双向列表
双向链表咱们放弃不变。
Map 中 key 对应的值咱们放双向链表的节点信息。
那实现形式就变成了实现一个双向链表。
代码实现
- 节点定义
/**
* 双向链表节点
* @author binbin.hou
* @since 0.0.12
* @param <K> key
* @param <V> value
*/
public class DoubleListNode<K,V> {
/**
* 键
* @since 0.0.12
*/
private K key;
/**
* 值
* @since 0.0.12
*/
private V value;
/**
* 前一个节点
* @since 0.0.12
*/
private DoubleListNode<K,V> pre;
/**
* 后一个节点
* @since 0.0.12
*/
private DoubleListNode<K,V> next;
//fluent get & set
}- 外围代码实现
咱们放弃和原来的接口不变，实现如下：
public class CacheEvictLruDoubleListMap<K,V> extends AbstractCacheEvict<K,V> {private static final Log log = LogFactory.getLog(CacheEvictLruDoubleListMap.class);
/**
* 头结点
* @since 0.0.12
*/
private DoubleListNode<K,V> head;
/**
* 尾巴结点
* @since 0.0.12
*/
private DoubleListNode<K,V> tail;
/**
* map 信息
*
* key: 元素信息
* value: 元素在 list 中对应的节点信息
* @since 0.0.12
*/
private Map<K, DoubleListNode<K,V>> indexMap;
public CacheEvictLruDoubleListMap() {this.indexMap = new HashMap<>();
this.head = new DoubleListNode<>();
this.tail = new DoubleListNode<>();
this.head.next(this.tail);
this.tail.pre(this.head);
}
@Override
protected ICacheEntry<K, V> doEvict(ICacheEvictContext<K, V> context) {
ICacheEntry<K, V> result = null;
final ICache<K,V> cache = context.cache();
// 超过限度，移除队尾的元素
if(cache.size() >= context.size()) {
// 获取尾巴节点的前一个元素
DoubleListNode<K,V> tailPre = this.tail.pre();
if(tailPre == this.head) {log.error("以后列表为空，无奈进行删除");
throw new CacheRuntimeException("不可删除头结点!");
}
K evictKey = tailPre.key();
V evictValue = cache.remove(evictKey);
result = new CacheEntry<>(evictKey, evictValue);
}
return result;
}
/**
* 放入元素
*
*（1）删除曾经存在的
*（2）新元素放到元素头部
*
* @param key 元素
* @since 0.0.12
*/
@Override
public void update(final K key) {
//1. 执行删除
this.remove(key);
//2. 新元素插入到头部
//head<->next
// 变成：head<->new<->next
DoubleListNode<K,V> newNode = new DoubleListNode<>();
newNode.key(key);
DoubleListNode<K,V> next = this.head.next();
this.head.next(newNode);
newNode.pre(this.head);
next.pre(newNode);
newNode.next(next);
//2.2 插入到 map 中
indexMap.put(key, newNode);
}
/**
* 移除元素
*
* 1. 获取 map 中的元素
* 2. 不存在间接返回，存在执行以下步骤：* 2.1 删除双向链表中的元素
* 2.2 删除 map 中的元素
*
* @param key 元素
* @since 0.0.12
*/
@Override
public void remove(final K key) {DoubleListNode<K,V> node = indexMap.get(key);
if(ObjectUtil.isNull(node)) {return;}
// 删除 list node
// A<->B<->C
// 删除 B，须要变成：A<->C
DoubleListNode<K,V> pre = node.pre();
DoubleListNode<K,V> next = node.next();
pre.next(next);
next.pre(pre);
// 删除 map 中对应信息
this.indexMap.remove(key);
}
}实现起来不难，就是一个繁难版本的双向列表。
只是获取节点的时候，借助了一下 map，让工夫复杂度升高为 O(1)。
测试
咱们验证一下本人的实现：
ICache<String, String> cache = CacheBs.<String,String>newInstance()
.size(3)
.evict(CacheEvicts.<String, String>lruDoubleListMap())
.build();
cache.put("A", "hello");
cache.put("B", "world");
cache.put("C", "FIFO");
// 拜访一次 A
cache.get("A");
cache.put("D", "LRU");
Assert.assertEquals(3, cache.size());
System.out.println(cache.keySet());- 日志
[DEBUG] [2020-10-03 09:37:41.007] [main] [c.g.h.c.c.s.l.r.CacheRemoveListener.listen] - Remove key: B, value: world, type: evict
[D, A, C]因为咱们拜访过一次 A，所以 B 曾经变成起码被拜访的元素。
基于 LinkedHashMap 实现
实际上，LinkedHashMap 自身就是对于 list 和 hashMap 的一种联合的数据结构，咱们能够间接应用 jdk 中 LinkedHashMap 去实现。
间接实现
public class LRUCache extends LinkedHashMap {
private int capacity;
public LRUCache(int capacity) {
// 留神这里将 LinkedHashMap 的 accessOrder 设为 true
super(16, 0.75f, true);
this.capacity = capacity;
}
@Override
protected boolean removeEldestEntry(Map.Entry eldest) {return super.size() >= capacity;
}
}默认 LinkedHashMap 并不会淘汰数据，所以咱们重写了它的 removeEldestEntry() 办法，当数据数量达到预设下限后，淘汰数据，accessOrder 设为 true 意为依照拜访的程序排序。
整个实现的代码量并不大，次要都是利用 LinkedHashMap 的个性。
简略革新
咱们对这个办法简略革新下，让其适应咱们定义的接口。
ICache<String, String> cache = CacheBs.<String,String>newInstance()
.size(3)
.evict(CacheEvicts.<String, String>lruLinkedHashMap())
.build();
cache.put("A", "hello");
cache.put("B", "world");
cache.put("C", "FIFO");
// 拜访一次 A
cache.get("A");
cache.put("D", "LRU");
Assert.assertEquals(3, cache.size());
System.out.println(cache.keySet());测试
- 代码
ICache<String, String> cache = CacheBs.<String,String>newInstance()
.size(3)
.evict(CacheEvicts.<String, String>lruLinkedHashMap())
.build();
cache.put("A", "hello");
cache.put("B", "world");
cache.put("C", "FIFO");
// 拜访一次 A
cache.get("A");
cache.put("D", "LRU");
Assert.assertEquals(3, cache.size());
System.out.println(cache.keySet());- 日志
[DEBUG] [2020-10-03 10:20:57.842] [main] [c.g.h.c.c.s.l.r.CacheRemoveListener.listen] - Remove key: B, value: world, type: evict
[D, A, C]小结
上一节中提到的数组 O(n) 遍历的问题，本节曾经根本解决了。
但其实这种算法仍然存在肯定的问题，比方当偶发性的批量操作时，会导致热点数据被非热点数据挤出缓存，下一节咱们一起学习如何进一步改良 LRU 算法。
文中次要讲述了思路，实现局部因为篇幅限度，没有全副贴出来。
开源地址：https://github.com/houbb/cache
感觉本文对你有帮忙的话，欢送点赞评论珍藏关注一波~
你的激励，是我最大的能源~