面试真题4:lru最近很少使用算法(腾讯)
手写最近很少使用算法lru
这道题在很多公司面试的时候都可能被问到,主要考察面试者对缓存算法的原理的了解。
先来了解一下什么是最近很少使用算法?
最近很少使用算法:就是根据最近访问的记录,对缓存的数据进行淘汰。也就是说,如果一个数据最近被访问,或经常被访问,则把数据放到列表的前面。而数据很久未访问,或者访问率较低,就会被放在对位,在队列内存不足的时候将其移除缓存队列,过程如图:
Android中就带有LruCache的类,这个类被广泛使用,比如glide缓存图片就用到这个算法。但是这个算法其实也没有那么复杂,读过LruCache源码的同学都知道,这个算法的底层实际上就是用了一个LinkedHashMap。我们需要了解的其实LinkedHashMap的原理。
LinkedHashMap:
大家都知道HashMap的原理,HashMap内部维护单链表,存储数据是无序的,而我们Lru算法则有访问顺序的需求,所以不能使用HashMap,这一点LinkedHashMap恰好能满足,LinkedHashMap内部维护的是双向链表,而且逻辑上实现了可以保证访问的顺序,即:每次访问或者插入数据的时候会被放到双向链表的尾部,这个属性被激活需要设置
accessOrder为true即可。
我们已经可以保证队列里面存储的值按照我们访问的顺序调整,那我们实现Lru算法就可以很简单了。
但是还有一点,因为我们的队列满了以后,再存放数据的时候需要删除最少使用的值,也就是链表首位的值(每次访问或者插入数据的时候会被放到双向链表的尾部)
好,总结一下如何实现lru算法:
accessOrder
上面两点中,第一点LinkedHashMap已经实现我们只需要设置accessOrder`属性为true即可。第二点需要我们去实现。
开始写代码:
初始化一个LinkedHashMap,设置accessOrder`属性为true,让它按照访问顺序排序,并设置队列的最大容量maxSize。
public Lru(int maxSize) { if (maxSize <= 0) { throw new IllegalArgumentException("maxSize <= 0"); } this.maxSize = maxSize; this.map = new LinkedHashMap(0, 0.75f, true); }
实现存储数据的逻辑。每次存储一个数据,size应该加1。这里面有个小技巧:HashMap的put方法在添加一个之前已经存在的key的值的时候,会覆盖以前的key对应value,并返回以前的value,如:V previous = map.put(key, value)之后previous不为null,则说明这个key之前就已经有值,再次添加值只是覆盖以前的值,所以这时候size不应该加1。
public V put(K key, V value) { if (key == null || value == null) { throw new NullPointerException("key == null || value == null"); } V previous; synchronized (this) { //这是HashMap的属性:如果key之前已经存有值,则这里会返回之前的值。 previous = map.put(key, value); //如果之前已经存在值,则我们添加的值会把以前的值覆盖,所以size就不会增加,如果之前不存在值,这里添加数据就会增加一个size if (previous == null) { size += 1; } } //存放数据,删除多余数据 trimToSize(maxSize); return previous; }
添加数据的时候应该注意数据是否超出容量了,如果超出了,就应该删除最少使用的数据。这里使用循环删除最少使用的数据,直到size<=maxSize。
//如果size>maxSize,则删除多余的数据 private void trimToSize(int maxSize) { while (true) { K key; synchronized (this) { if (size < 0 || (map.isEmpty() && size != 0)) { return; } if (size <= maxSize || map.isEmpty()) { break; } Map.Entry toEvict = map.entrySet().iterator().next(); key = toEvict.getKey(); map.remove(key); size -= 1; } } }
获取一个数据,也就是访问数据,LinkedHashMap会自动把访问的数据放到链表的尾部,所以这里我们不用太操心
//获取一个数据 public V get(K key) { if (key == null) { throw new NullPointerException("key == null"); } V mapValue; synchronized (this) { mapValue = map.get(key); if (mapValue != null) { return mapValue; } } return null; }
清空数据就更简单了,我们既可以直接调用linkedhashmap的clear方法清空队列,也可以利用我们上面写的循环删除的方法,只要把maxSize参数设置为-1,就可以清空队列里面的数据:
//清除空数据 public void evictAll() { //map.clear(); trimToSize(-1); }
以上 我们已经实现了lru的基本操作。只要同学知道LruCache的原理,这个代码不难写出来。
一下是完整代码:(总体思想来自LruCache)
public class Lru { private final LinkedHashMap map; private int size; private int maxSize; public Lru(int maxSize) { if (maxSize <= 0) { throw new IllegalArgumentException("maxSize <= 0"); } this.maxSize = maxSize; this.map = new LinkedHashMap(0, 0.75f, true); } public V get(K key) { if (key == null) { throw new NullPointerException("key == null"); } V mapValue; synchronized (this) { mapValue = map.get(key); if (mapValue != null) { return mapValue; } } return null; } public V put(K key, V value) { if (key == null || value == null) { throw new NullPointerException("key == null || value == null"); } V previous; synchronized (this) { size += 1; previous = map.put(key, value); if (previous != null) { size -= 1; } } trimToSize(maxSize); return previous; } private void trimToSize(int maxSize) { while (true) { K key; synchronized (this) { if (size < 0 || (map.isEmpty() && size != 0)) { return; } if (size <= maxSize || map.isEmpty()) { break; } Map.Entry toEvict = map.entrySet().iterator().next(); key = toEvict.getKey(); map.remove(key); size -= 1; } } } public V remove(K key) { if (key == null) { throw new NullPointerException("key == null"); } V previous; synchronized (this) { previous = map.remove(key); if (previous != null) { size -= 1; } } return previous; } public void evictAll() { trimToSize(-1); } public synchronized int size() { return size; } public synchronized int maxSize() { return maxSize; } }
想学习更多Android知识,或者获取相关资料请加入Android技术开发交流2群:935654177。本群可免费获取Gradle,RxJava,小程序,Hybrid,移动架构,NDK,React Native,性能优化等技术教程!
- 算法:LRU(最近最少使用)
- 缓存淘汰算法--LRU算法【最近最少使用算法LRU置换策略适用于热点数据比较多的场景】
- LRU算法,最近最少使用算法
- LRU最近最久未使用算法
- LRU算法,最近最少使用算法
- 自适应Lru(最近最少使用)算法
- C++模拟操作系统最近最少使用算法(LRU),acm
- 最佳淘汰算法(OPT) 先进先出的算法(FIFO) 最近最久未使用算法(LRU)
- LRU(最近最少使用页面置换算法)淘汰算法
- 最近最久未使用页面淘汰算法———LRU算法(java实现)
- 最近最久未使用页面淘汰算法———LRU算法(java实现)
- LRU最近最久未使用算法
- LRU最近最少使用算法
- LRU-最近最少使用算法
- 【python学习笔记】3:LRU(最近最少使用页面置换)算法
- 最近最久未使用(LRU)置换算法
- LRU(最近最少使用算法) / MRU(最近最常使用算法)
- LRU(最近最少使用页面置换算法)淘汰算法
- 操作系统实验之最近最久未使用算法(LRU)模拟
- leetcode LRU Cache(高级缓存的最近最少使用算法实现)