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丢失？
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 持久化原理详解及实现
我们前面简单实现了 redis 的几个特性，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。
但是实际工作实践中，一般推荐使用 LRU/LFU 的驱除策略。
LRU 基础知识
是什么
LRU算法全称是最近最少使用算法（Least Recently Use），广泛的应用于缓存机制中。
当缓存使用的空间达到上限后，就需要从已有的数据中淘汰一部分以维持缓存的可用性，而淘汰数据的选择就是通过LRU算法完成的。
LRU算法的基本思想是基于局部性原理的时间局部性：
如果一个信息项正在被访问，那么在近期它很可能还会被再次访问。
拓展阅读
java 从零开始手写 redis（七）redis LRU 驱除策略详解及实现
简单的实现思路
基于数组
方案：为每一个数据附加一个额外的属性——时间戳，当每一次访问数据时，更新该数据的时间戳至当前时间。
当数据空间已满后，则扫描整个数组，淘汰时间戳最小的数据。
不足：维护时间戳需要耗费额外的空间，淘汰数据时需要扫描整个数组。
这个时间复杂度太差，空间复杂度也不好。
基于长度有限的双向链表
方案：访问一个数据时，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，则淘汰链表最末尾的数据。
不足：插入数据或取数据时，需要扫描整个链表。
这个就是我们上一节实现的方式，缺点还是很明显，每次确认元素是否存在，都要消耗 O(n) 的时间复杂度去查询。
基于双向链表和哈希表
方案：为了改进上面需要扫描链表的缺陷，配合哈希表，将数据和链表中的节点形成映射，将插入操作和读取操作的时间复杂度从O(N)降至O(1)
缺点：这个使我们上一节提到的优化思路，不过还是有缺点的，那就是空间复杂度翻倍。
数据结构的选择
（1）基于数组的实现
这里不建议选择 array 或者 ArrayList，因为读取的时间复杂度为 O(1)，但是更新相对是比较慢的，虽然 jdk 使用的是 System.arrayCopy。
（2）基于链表的实现
如果我们选择链表，HashMap 中还是不能简单的存储 key, 和对应的下标。
因为链表的遍历，实际上还是 O(n) 的，双向链表理论上可以优化一半，但是这并不是我们想要的 O(1) 效果。
（3）基于双向列表
双向链表我们保持不变。
Map 中 key 对应的值我们放双向链表的节点信息。
那实现方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 key
* @param value
*/
public class DoubleListNode {
/**
* 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 pre;
/**
* 后一个节点
* @since 0.0.12
*/
private DoubleListNode next;
//fluent get & set
} - 核心代码实现
我们保持和原来的接口不变，实现如下：
public class CacheEvictLruDoubleListMap extends AbstractCacheEvict {
private static final Log log = LogFactory.getLog(CacheEvictLruDoubleListMap.class);
/**
* 头结点
* @since 0.0.12
*/
private DoubleListNode head;
/**
* 尾巴结点
* @since 0.0.12
*/
private DoubleListNode 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> 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 doEvict(ICacheEvictContext context) {
ICacheEntry result = null;
final ICache cache = context.cache();
// 超过限制，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 tailPre = this.tail.pre();
if(tailPre == this.head) {
log.error("当前列表为空，无法进行删除");
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）删除已经存在的
* （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 newNode = new DoubleListNode<>();
newNode.key(key);
DoubleListNode 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. 不存在直接返回，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 node = indexMap.get(key);
if(ObjectUtil.isNull(node)) {
return;
}
// 删除 list node
// A<->B<->C
// 删除 B，需要变成： A<->C
DoubleListNode pre = node.pre();
DoubleListNode 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，就是一个简易版本的双向列表。
只是获取节点的时候，借助了一下 map，让时间复杂度降低为 O(1)。
测试
我们验证一下自己的实现：
ICache cache = CacheBs.newInstance()
.size(3)
.evict(CacheEvicts.lruDoubleListMap())
.build();
cache.put("A", "hello");
cache.put("B", "world");
cache.put("C", "FIFO");
// 访问一次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]因为我们访问过一次 A，所以 B 已经变成最少被访问的元素。
基于 LinkedHashMap 实现
实际上，LinkedHashMap 本身就是对于 list 和 hashMap 的一种结合的数据结构，我们可以直接使用 jdk 中 LinkedHashMap 去实现。
直接实现
public class LRUCache extends LinkedHashMap {
private int capacity;
public LRUCache(int capacity) {
// 注意这里将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，所以我们重写了它的removeEldestEntry()方法，当数据数量达到预设上限后，淘汰数据，accessOrder设为true意为按照访问的顺序排序。
整个实现的代码量并不大，主要都是应用LinkedHashMap的特性。
简单改造
我们对这个方法简单改造下，让其适应我们定义的接口。
ICache cache = CacheBs.newInstance()
.size(3)
.evict(CacheEvicts.lruLinkedHashMap())
.build();
cache.put("A", "hello");
cache.put("B", "world");
cache.put("C", "FIFO");
// 访问一次A
cache.get("A");
cache.put("D", "LRU");
Assert.assertEquals(3, cache.size());
System.out.println(cache.keySet()); 测试
- 代码
ICache cache = CacheBs.newInstance()
.size(3)
.evict(CacheEvicts.lruLinkedHashMap())
.build();
cache.put("A", "hello");
cache.put("B", "world");
cache.put("C", "FIFO");
// 访问一次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，本节已经基本解决了。
但其实这种算法依然存在一定的问题，比如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，下一节我们一起学习如何进一步改进 LRU 算法。
文中主要讲述了思路，实现部分因为篇幅限制，没有全部贴出来。
开源地址： https://github.com/houbb/cache
觉得本文对你有帮助的话，欢迎点赞评论收藏关注一波~
你的鼓励，是我最大的动力~
