目录
[一、什么是LRU Cache?](#一、什么是LRU Cache?)
[二、LRU Cache的实现](#二、LRU Cache的实现)
1.JDK中类似LRUCahe的数据结构LinkedHashMap
[三、LRU Cache的OJ](#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 )。
java
import java.util.LinkedHashMap;
import java.util.Map;
public class LRUCache extends LinkedHashMap<Integer, Integer> {
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<Integer, Integer> 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。
java
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<Integer, DLinkedNode> 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。