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

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！