動手實現一個 LRU cache

crossoverJie發表於2019-02-26

前言

LRU 是 Least Recently Used 的簡寫，字面意思則是最近最少使用。

通常用於快取的淘汰策略實現，由於快取的記憶體非常寶貴，所以需要根據某種規則來剔除資料保證記憶體不被撐滿。

如常用的 Redis 就有以下幾種策略：

策略	描述
volatile-lru	從已設定過期時間的資料集中挑選最近最少使用的資料淘汰
volatile-ttl	從已設定過期時間的資料集中挑選將要過期的資料淘汰
volatile-random	從已設定過期時間的資料集中任意選擇資料淘汰
allkeys-lru	從所有資料集中挑選最近最少使用的資料淘汰
allkeys-random	從所有資料集中任意選擇資料進行淘汰
no-envicition	禁止驅逐資料

摘抄自:github.com/CyC2018/Int…

實現一

之前也有接觸過一道面試題，大概需求是：

實現一個 LRU 快取，當快取資料達到 N 之後需要淘汰掉最近最少使用的資料。
N 小時之內沒有被訪問的資料也需要淘汰掉。

以下是我的實現：

public class LRUAbstractMap extends java.util.AbstractMap {

    private final static Logger LOGGER = LoggerFactory.getLogger(LRUAbstractMap.class);

    /**
     * 檢查是否超期執行緒
     */
    private ExecutorService checkTimePool ;

    /**
     * map 最大size
     */
    private final static int MAX_SIZE = 1024 ;

    private final static ArrayBlockingQueue<Node> QUEUE = new ArrayBlockingQueue<>(MAX_SIZE) ;

    /**
     * 預設大小
     */
    private final static int DEFAULT_ARRAY_SIZE =1024 ;


    /**
     * 陣列長度
     */
    private int arraySize ;

    /**
     * 陣列
     */
    private Object[] arrays ;


    /**
     * 判斷是否停止 flag
     */
    private volatile boolean flag = true ;


    /**
     * 超時時間
     */
    private final static Long EXPIRE_TIME = 60 * 60 * 1000L ;

    /**
     * 整個 Map 的大小
     */
    private volatile AtomicInteger size  ;


    public LRUAbstractMap() {


        arraySize = DEFAULT_ARRAY_SIZE;
        arrays = new Object[arraySize] ;

        //開啟一個執行緒檢查最先放入佇列的值是否超期
        executeCheckTime();
    }

    /**
     * 開啟一個執行緒檢查最先放入佇列的值是否超期 設定為守護執行緒
     */
    private void executeCheckTime() {
        ThreadFactory namedThreadFactory = new ThreadFactoryBuilder()
                .setNameFormat("check-thread-%d")
                .setDaemon(true)
                .build();
        checkTimePool = new ThreadPoolExecutor(1, 1, 0L, TimeUnit.MILLISECONDS,
                new ArrayBlockingQueue<>(1),namedThreadFactory,new ThreadPoolExecutor.AbortPolicy());
        checkTimePool.execute(new CheckTimeThread()) ;

    }

    @Override
    public Set<Entry> entrySet() {
        return super.keySet();
    }

    @Override
    public Object put(Object key, Object value) {
        int hash = hash(key);
        int index = hash % arraySize ;
        Node currentNode = (Node) arrays[index] ;

        if (currentNode == null){
            arrays[index] = new Node(null,null, key, value);

            //寫入佇列
            QUEUE.offer((Node) arrays[index]) ;

            sizeUp();
        }else {
            Node cNode = currentNode ;
            Node nNode = cNode ;

            //存在就覆蓋
            if (nNode.key == key){
                cNode.val = value ;
            }

            while (nNode.next != null){
                //key 存在 就覆蓋 簡單判斷
                if (nNode.key == key){
                    nNode.val = value ;
                    break ;
                }else {
                    //不存在就新增連結串列
                    sizeUp();
                    Node node = new Node(nNode,null,key,value) ;

                    //寫入佇列
                    QUEUE.offer(currentNode) ;

                    cNode.next = node ;
                }

                nNode = nNode.next ;
            }

        }

        return null ;
    }


    @Override
    public Object get(Object key) {

        int hash = hash(key) ;
        int index = hash % arraySize ;
        Node currentNode = (Node) arrays[index] ;

        if (currentNode == null){
            return null ;
        }
        if (currentNode.next == null){

            //更新時間
            currentNode.setUpdateTime(System.currentTimeMillis());

            //沒有衝突
            return currentNode ;

        }

        Node nNode = currentNode ;
        while (nNode.next != null){

            if (nNode.key == key){

                //更新時間
                currentNode.setUpdateTime(System.currentTimeMillis());

                return nNode ;
            }

            nNode = nNode.next ;
        }

        return super.get(key);
    }


    @Override
    public Object remove(Object key) {

        int hash = hash(key) ;
        int index = hash % arraySize ;
        Node currentNode = (Node) arrays[index] ;

        if (currentNode == null){
            return null ;
        }

        if (currentNode.key == key){
            sizeDown();
            arrays[index] = null ;

            //移除佇列
            QUEUE.poll();
            return currentNode ;
        }

        Node nNode = currentNode ;
        while (nNode.next != null){

            if (nNode.key == key){
                sizeDown();
                //在連結串列中找到了 把上一個節點的 next 指向當前節點的下一個節點
                nNode.pre.next = nNode.next ;
                nNode = null ;

                //移除佇列
                QUEUE.poll();

                return nNode;
            }

            nNode = nNode.next ;
        }

        return super.remove(key);
    }

    /**
     * 增加size
     */
    private void sizeUp(){

        //在put值時候認為裡邊已經有資料了
        flag = true ;

        if (size == null){
            size = new AtomicInteger() ;
        }
        int size = this.size.incrementAndGet();
        if (size >= MAX_SIZE) {
            //找到佇列頭的資料
            Node node = QUEUE.poll() ;
            if (node == null){
                throw new RuntimeException("data error") ;
            }

            //移除該 key
            Object key = node.key ;
            remove(key) ;
            lruCallback() ;
        }

    }

    /**
     * 數量減小
     */
    private void sizeDown(){

        if (QUEUE.size() == 0){
            flag = false ;
        }

        this.size.decrementAndGet() ;
    }

    @Override
    public int size() {
        return size.get() ;
    }

    /**
     * 連結串列
     */
    private class Node{
        private Node next ;
        private Node pre ;
        private Object key ;
        private Object val ;
        private Long updateTime ;

        public Node(Node pre,Node next, Object key, Object val) {
            this.pre = pre ;
            this.next = next;
            this.key = key;
            this.val = val;
            this.updateTime = System.currentTimeMillis() ;
        }

        public void setUpdateTime(Long updateTime) {
            this.updateTime = updateTime;
        }

        public Long getUpdateTime() {
            return updateTime;
        }

        @Override
        public String toString() {
            return "Node{" +
                    "key=" + key +
                    ", val=" + val +
                    '}';
        }
    }


    /**
     * copy HashMap 的 hash 實現
     * @param key
     * @return
     */
    public int hash(Object key) {
        int h;
        return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
    }

    private void lruCallback(){
        LOGGER.debug("lruCallback");
    }


    private class CheckTimeThread implements Runnable{

        @Override
        public void run() {
            while (flag){
                try {
                    Node node = QUEUE.poll();
                    if (node == null){
                        continue ;
                    }
                    Long updateTime = node.getUpdateTime() ;

                    if ((updateTime - System.currentTimeMillis()) >= EXPIRE_TIME){
                        remove(node.key) ;
                    }
                } catch (Exception e) {
                    LOGGER.error("InterruptedException");
                }
            }
        }
    }

}
複製程式碼

感興趣的朋友可以直接從:

github.com/crossoverJi…

下載程式碼本地執行。

程式碼看著比較多，其實實現的思路還是比較簡單：

採用了與 HashMap 一樣的儲存資料方式，只是自己手動實現了一個簡易版。
內部採用了一個佇列來儲存每次寫入的資料。
寫入的時候判斷快取是否大於了閾值 N，如果滿足則根據佇列的 FIFO 特性將佇列頭的資料刪除。因為佇列頭的資料肯定是最先放進去的。
再開啟了一個守護執行緒用於判斷最先放進去的資料是否超期（因為就算超期也是最先放進去的資料最有可能滿足超期條件。）
設定為守護執行緒可以更好的表明其目的（最壞的情況下，如果是一個使用者執行緒最終有可能導致程式不能正常退出，因為該執行緒一直在執行，守護執行緒則不會有這個情況。）

以上程式碼大體功能滿足了，但是有一個致命問題。

就是最近最少使用沒有滿足，刪除的資料都是最先放入的資料。

不過其中的 put get 流程算是一個簡易的 HashMap 實現，可以對 HashMap 加深一些理解。

實現二

因此如何來實現一個完整的 LRU 快取呢，這次不考慮過期時間的問題。

其實從上一個實現也能想到一些思路：

要記錄最近最少使用，那至少需要一個有序的集合來保證寫入的順序。
在使用了資料之後能夠更新它的順序。

基於以上兩點很容易想到一個常用的資料結構：連結串列。

每次寫入資料時將資料放入連結串列頭結點。
使用資料時候將資料移動到頭結點。
快取數量超過閾值時移除連結串列尾部資料。

因此有了以下實現：

public class LRUMap<K, V> {
    private final Map<K, V> cacheMap = new HashMap<>();

    /**
     * 最大快取大小
     */
    private int cacheSize;

    /**
     * 節點大小
     */
    private int nodeCount;


    /**
     * 頭結點
     */
    private Node<K, V> header;

    /**
     * 尾結點
     */
    private Node<K, V> tailer;

    public LRUMap(int cacheSize) {
        this.cacheSize = cacheSize;
        //頭結點的下一個結點為空
        header = new Node<>();
        header.next = null;

        //尾結點的上一個結點為空
        tailer = new Node<>();
        tailer.tail = null;

        //雙向連結串列 頭結點的上結點指向尾結點
        header.tail = tailer;

        //尾結點的下結點指向頭結點
        tailer.next = header;


    }

    public void put(K key, V value) {
        cacheMap.put(key, value);

        //雙向連結串列中新增結點
        addNode(key, value);
    }

    public V get(K key){

        Node<K, V> node = getNode(key);

        //移動到頭結點
        moveToHead(node) ;

        return cacheMap.get(key);
    }

    private void moveToHead(Node<K,V> node){

        //如果是最後的一個節點
        if (node.tail == null){
            node.next.tail = null ;
            tailer = node.next ;
            nodeCount -- ;
        }

        //如果是本來就是頭節點 不作處理
        if (node.next == null){
            return ;
        }

        //如果處於中間節點
        if (node.tail != null && node.next != null){
            //它的上一節點指向它的下一節點 也就刪除當前節點
            node.tail.next = node.next ;
            nodeCount -- ;
        }

        //最後在頭部增加當前節點
        //注意這裡需要重新 new 一個物件，不然原本的node 還有著下面的引用，會造成記憶體溢位。
        node = new Node<>(node.getKey(),node.getValue()) ;
        addHead(node) ;

    }

    /**
     * 連結串列查詢 效率較低
     * @param key
     * @return
     */
    private Node<K,V> getNode(K key){
        Node<K,V> node = tailer ;
        while (node != null){

            if (node.getKey().equals(key)){
                return node ;
            }

            node = node.next ;
        }

        return null ;
    }


    /**
     * 寫入頭結點
     * @param key
     * @param value
     */
    private void addNode(K key, V value) {

        Node<K, V> node = new Node<>(key, value);

        //容量滿了刪除最後一個
        if (cacheSize == nodeCount) {
            //刪除尾結點
            delTail();
        }

        //寫入頭結點
        addHead(node);

    }



    /**
     * 新增頭結點
     *
     * @param node
     */
    private void addHead(Node<K, V> node) {

        //寫入頭結點
        header.next = node;
        node.tail = header;
        header = node;
        nodeCount++;

        //如果寫入的資料大於2個 就將初始化的頭尾結點刪除
        if (nodeCount == 2) {
            tailer.next.next.tail = null;
            tailer = tailer.next.next;
        }

    }    

    private void delTail() {
        //把尾結點從快取中刪除
        cacheMap.remove(tailer.getKey());

        //刪除尾結點
        tailer.next.tail = null;
        tailer = tailer.next;

        nodeCount--;

    }

    private class Node<K, V> {
        private K key;
        private V value;
        Node<K, V> tail;
        Node<K, V> next;

        public Node(K key, V value) {
            this.key = key;
            this.value = value;
        }

        public Node() {
        }

        public K getKey() {
            return key;
        }

        public void setKey(K key) {
            this.key = key;
        }

        public V getValue() {
            return value;
        }

        public void setValue(V value) {
            this.value = value;
        }

    }

    @Override
    public String toString() {
        StringBuilder sb = new StringBuilder() ;
        Node<K,V> node = tailer ;
        while (node != null){
            sb.append(node.getKey()).append(":")
                    .append(node.getValue())
                    .append("-->") ;

            node = node.next ;
        }


        return sb.toString();
    }
}
複製程式碼

原始碼： github.com/crossoverJi…

實際效果，寫入時：

    @Test
    public void put() throws Exception {
        LRUMap<String,Integer> lruMap = new LRUMap(3) ;
        lruMap.put("1",1) ;
        lruMap.put("2",2) ;
        lruMap.put("3",3) ;

        System.out.println(lruMap.toString());

        lruMap.put("4",4) ;
        System.out.println(lruMap.toString());

        lruMap.put("5",5) ;
        System.out.println(lruMap.toString());
    }

//輸出：
1:1-->2:2-->3:3-->
2:2-->3:3-->4:4-->
3:3-->4:4-->5:5-->
複製程式碼

使用時：

    @Test
    public void get() throws Exception {
        LRUMap<String,Integer> lruMap = new LRUMap(3) ;
        lruMap.put("1",1) ;
        lruMap.put("2",2) ;
        lruMap.put("3",3) ;

        System.out.println(lruMap.toString());
        System.out.println("==============");

        Integer integer = lruMap.get("1");
        System.out.println(integer);
        System.out.println("==============");
        System.out.println(lruMap.toString());
    }
    
//輸出
1:1-->2:2-->3:3-->
==============
1
==============
2:2-->3:3-->1:1-->
複製程式碼

實現思路和上文提到的一致，說下重點：

資料是直接利用 HashMap 來存放的。
內部使用了一個雙向連結串列來存放資料，所以有一個頭結點 header，以及尾結點 tailer。
每次寫入頭結點，刪除尾結點時都是依賴於 header tailer，如果看著比較懵建議自己實現一個連結串列熟悉下，或結合下文的物件關係圖一起理解。
使用資料移動到連結串列頭時，第一步是需要在雙向連結串列中找到該節點。這裡就體現出連結串列的問題了。查詢效率很低，最差需要 O(N)。之後依賴於當前節點進行移動。
在寫入頭結點時有判斷連結串列大小等於 2 時需要刪除初始化的頭尾結點。這是因為初始化時候生成了兩個雙向節點，沒有資料只是為了形成一個資料結構。當真實資料進來之後需要刪除以方便後續的操作（這點可以繼續優化）。
以上的所有操作都是執行緒不安全的，需要使用者自行控制。

下面是物件關係圖：

初始化時

寫入資料時

LRUMap<String,Integer> lruMap = new LRUMap(3) ;
lruMap.put("1",1) ;
複製程式碼

lruMap.put("2",2) ;
複製程式碼

lruMap.put("3",3) ;
複製程式碼

lruMap.put("4",4) ;
複製程式碼

獲取資料時

資料和上文一樣：

Integer integer = lruMap.get("2");
複製程式碼

通過以上幾張圖應該是很好理解資料是如何存放的了。

實現三

其實如果對 Java 的集合比較熟悉的話，會發現上文的結構和 LinkedHashMap 非常類似。

對此不太熟悉的朋友可以先了解下 LinkedHashMap 底層分析。

所以我們完全可以藉助於它來實現：

public class LRULinkedMap<K,V> {


    /**
     * 最大快取大小
     */
    private int cacheSize;

    private LinkedHashMap<K,V> cacheMap ;


    public LRULinkedMap(int cacheSize) {
        this.cacheSize = cacheSize;

        cacheMap = new LinkedHashMap(16,0.75F,true){
            @Override
            protected boolean removeEldestEntry(Map.Entry eldest) {
                if (cacheSize + 1 == cacheMap.size()){
                    return true ;
                }else {
                    return false ;
                }
            }
        };
    }

    public void put(K key,V value){
        cacheMap.put(key,value) ;
    }

    public V get(K key){
        return cacheMap.get(key) ;
    }


    public Collection<Map.Entry<K, V>> getAll() {
        return new ArrayList<Map.Entry<K, V>>(cacheMap.entrySet());
    }
}
複製程式碼

原始碼： github.com/crossoverJi…

這次就比較簡潔了，也就幾行程式碼（具體的邏輯 LinkedHashMap 已經幫我們實現好了）

實際效果:

    @Test
    public void put() throws Exception {
        LRULinkedMap<String,Integer> map = new LRULinkedMap(3) ;
        map.put("1",1);
        map.put("2",2);
        map.put("3",3);

        for (Map.Entry<String, Integer> e : map.getAll()){
            System.out.print(e.getKey() + " : " + e.getValue() + "\t");
        }

        System.out.println("");
        map.put("4",4);
        for (Map.Entry<String, Integer> e : map.getAll()){
            System.out.print(e.getKey() + " : " + e.getValue() + "\t");
        }
    }
    
//輸出
1 : 1	2 : 2	3 : 3	
2 : 2	3 : 3	4 : 4	    
複製程式碼

使用時：

    @Test
    public void get() throws Exception {
        LRULinkedMap<String,Integer> map = new LRULinkedMap(4) ;
        map.put("1",1);
        map.put("2",2);
        map.put("3",3);
        map.put("4",4);

        for (Map.Entry<String, Integer> e : map.getAll()){
            System.out.print(e.getKey() + " : " + e.getValue() + "\t");
        }

        System.out.println("");
        map.get("1") ;
        for (Map.Entry<String, Integer> e : map.getAll()){
            System.out.print(e.getKey() + " : " + e.getValue() + "\t");
        }
    }

}

//輸出
1 : 1	2 : 2	3 : 3	4 : 4	
2 : 2	3 : 3	4 : 4	1 : 1
複製程式碼

LinkedHashMap 內部也有維護一個雙向佇列，在初始化時也會給定一個快取大小的閾值。初始化時自定義是否需要刪除最近不常使用的資料，如果是則會按照實現二中的方式管理資料。

其實主要程式碼就是重寫了 LinkedHashMap 的 removeEldestEntry 方法:

    protected boolean removeEldestEntry(Map.Entry<K,V> eldest) {
        return false;
    }
複製程式碼

它預設是返回 false，也就是不會管有沒有超過閾值。

所以我們自定義大於了閾值時返回 true，這樣 LinkedHashMap 就會幫我們刪除最近最少使用的資料。

總結

以上就是對 LRU 快取的實現，瞭解了這些至少在平時使用時可以知其所以然。

當然業界使用較多的還有 guava 的實現，並且它還支援多種過期策略。

號外

最近在總結一些 Java 相關的知識點，感興趣的朋友可以一起維護。

地址: github.com/crossoverJi…

用 Go 實現一個 LRU cache
2021-12-20
Go
【死磕 Java 基礎】 — 自己動手實現一個 LRU
2021-08-20
Java
LRU cache原理及go實現
2018-04-25
Go
LRU cache快取簡單實現
2020-07-27
快取
LRU Cache的原理和python的實現
2021-09-09
Python
使用LinkedHashMap來實現一個使用LRU(Least Recently Used)演算法的cache
2018-08-27
HashMapAST演算法
演算法題：設計和實現一個 LRU Cache 快取機制
2019-11-29
演算法快取
Python 中 lru_cache 的使用和實現
2021-01-24
Python
Leetcode LRU Cache
2019-06-01
LeetCode
面試題目:手寫一個LRU演算法實現
2022-04-01
面試題演算法
LeetCode146 動手實現LRU演算法
2018-10-22
LeetCode演算法
手寫一個LRU工具類
2021-05-11
動手實現一個localcache - 實現篇
2022-01-15
動手實現一個JavaScript的AOP(一)
2019-06-03
JavaScript
自己動手實現一個前端路由
2018-11-18
前端路由
手動實現一個promise(原始碼)
2019-02-27
Promise原始碼
自己動手實現一個EventBus框架
2018-04-24
框架
動手實現一個簡單的promise
2018-05-24
Promise
如何用JavaScript手動實現一個棧
2018-06-15
JavaScript
動手實現一個localcache - 設計篇
2021-12-16
手動實現一個JS執行引擎
2022-03-27
JS
自己動手實現一個阻塞佇列
2021-04-21
佇列
一起動手實現一個js幀動畫庫
2018-08-02
JS動畫
自己動手實現一個簡單的 IOC
2019-03-03
【React系列】動手實現一個react-redux
2019-10-10
ReactRedux
手動實現一個淺克隆 (boss直聘一面)
2021-08-11
LRU 實現通過 LinkedHashMap
2019-01-08
HashMap
如何自己動手實現一個圖片解答小助手
2024-10-09
【redis前傳】自己手寫一個LRU策略 | redis淘汰策略
2021-06-25
Redis
高效設計一個LRU
2021-12-09
如何實現一個手帳 App
2019-08-25
APP
Android快取機制-LRU cache原理與用法
2018-09-12
Android快取
Python 的快取機制： functools.lru_cache
2020-11-22
Python快取
通過原始碼學習@functools.lru_cache
2020-07-09
原始碼
快取 LRU 和 LFU 實現
2024-10-25
快取
Spring Security系列之動手實現一個IP_Login(五)
2018-12-17
Spring
手動實現一個滿足promises-aplus-tests的Promise
2018-03-16
Promise
動手造輪子：實現一個簡單的 AOP 框架
2020-06-14
框架

動手實現一個 LRU cache

前言

實現一

實現二

初始化時

寫入資料時

獲取資料時

實現三

總結

號外

相關文章