【设计并实现一个满足 LRU (最近最少使用) 缓存约束的数据结构】_请你设计并实现一个满足 lru (最近最少使用) 缓存 约束的数据结构

---

一、什么是LRU？

LRU是Least Recently Used的缩写，意为最近最少使用。它是一种缓存淘汰策略，用于在缓存满时确定要被替换的数据块。LRU算法认为，最近被访问的数据在将来被访问的概率更高，因此它会优先淘汰最近最少被使用的数据块，以给新的数据块腾出空间。

如图所示：

1. 先来3个元素进入该队列
   

2. 此时来了新的元素，因为此时队列中每个元素的使用的次数都相同（都是1），所以会按照LFU的策略淘汰（即淘汰掉最老的那个）
   

3. 此时又来了新的元素，而且是队列是已经存在的，就会将该元素调整为最新的位置。
   

4. 如果此时又来了新的元素，还是”咯咯“，由于”咯咯“已经处于最新的位置，所以大家位置都不变。
   

5. 同理，一直进行上述的循环

---

二、LinkedHashMap 实现LRU缓存

以力扣的算法题为例子：

---

力扣146. LRU 缓存

---

在 jdk 官方的介绍中可以看出，该数据结构天生适合实现 LRU。

代码示例一：

/**
 * 利用继承 LinkedHashMap 的方式实现LRU缓存
 */


class LRUCache extends LinkedHashMap<Integer, Integer> {
	// 缓存容量
    private int capacity;

    public LRUCache(int capacity) {
    	// 初始化
        super(capacity, 0.75f, true);
        this.capacity = capacity;
    }
    
    public int get(int key) {
        return super.getOrDefault(key, -1);
    }
    
    public void put(int key, int value) {
        super.put(key, value);
    }

    @Override
    protected boolean removeEldestEntry(Map.Entry<Integer, Integer> eldest) {
    	// 重写比较方法
        return super.size() > capacity;
    }
}

/**
 * Your LRUCache object will be instantiated and called as such:
 * LRUCache obj = new LRUCache(capacity);
 * int param_1 = obj.get(key);
 * obj.put(key,value);
 */
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

代码示例二：

/**
 * 利用 LinkedHashMap 特点的方式实现LRU缓存
 */
 
class LRUCache {
   // 额定容量
    private final int CAPACITY;
    // 使用 LinkedHashMap 的有序排重特点达到要求
    private final Map<Integer, Integer> map;


    public LRUCache(int capacity) {
        // 初始化
        CAPACITY = capacity;
        map = new LinkedHashMap<>(CAPACITY);
    }

    public int get(int key) {
        Integer value = map.get(key);
        if (value != null) {// 存在
            // 1. 先删除旧的
            map.remove(key);
            // 2. 再添加回去，同时更新了 key 的位置和 value
            map.put(key, value);
            // 3. 返回结果
            return value;
        } else {// 不存在
            return -1;
        }
    }

    public void put(int key, int value) {
        if (map.size() == CAPACITY) {// 达到最大容量
            if (!map.containsKey(key)) {// 不存在，就删除头
                Integer head = map.keySet().iterator().next();
                map.remove(head);
            } else {// 存在，就删除自身
                map.remove(key);
            }
        } else {// 还有剩余空间，删除自身
            map.remove(key);
        }
        // 添加新的或 key 更新后的 value
        map.put(key, value);
    }
}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

---

三、手写LRU

代码示例如下：

/**
 * https://leetcode.cn/problems/lru-cache/description/
 * 手写 LRU 缓存
 * Map + 双向链表
 */
class LRUCache {
    // Map 负责查找，构建一个虚拟的双向链表，它里面安装的就是一个个 Node 节点，作为数据载体。

    // 参考 HashMap 中的存储方式，使用内部 Node 维护双向链表
    // 1. 构造 Node 节点作为数据载体
    public static class Node<K, V> {
        public K key;
        public V value;
        public Node<K, V> prev;
        public Node<K, V> next;

        public Node() {
            this.prev = this.next = null;
        }

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

    // 2. 构造一个双向队列，里面存放着 Node 节点
    // 队头元素最新，队尾元素最旧
    static class DoubleLinkedList<K, V> {
        Node<K, V> head;
        Node<K, V> tail;

        // 2.1 构造方法
        public DoubleLinkedList() {
            head = new Node<>();
            tail = new Node<>();
            // 头尾相连
            head.next = tail;
            tail.prev = head;
        }

        // 2.2 添加到头（头插）
        public void addHead(Node<K, V> node) {
            node.next = head.next;
            node.prev = head;
            head.next.prev = node;
            head.next = node;
        }

        // 2.3 删除节点
        public void removeNode(Node<K, V> node) {
            node.next.prev = node.prev;
            node.prev.next = node.next;
            node.next = null;
            node.prev = null;
        }

        // 2.4 获取最后一个节点
        public Node getLast() {
            return tail.prev;
        }
    }

    private final int cacheSize;
    Map<Integer, Node<Integer, Integer>> map;// Map
    DoubleLinkedList<Integer, Integer> doubleLinkedList;// 双向链表


    public LRUCache(int capacity) {
        this.cacheSize = capacity;
        map = new HashMap<>();
        doubleLinkedList = new DoubleLinkedList<>();
    }
    
    public int get(int key) {
        if (map.containsKey(key)) {
            // 命中，更新双向链表
            Node<Integer, Integer> node = map.get(key);
            // 先删除双向链表中的节点
            doubleLinkedList.removeNode(node);
            // 再添加到头部
            doubleLinkedList.addHead(node);
            return node.value;
        } else {
            // 未命中，返回 -1
            return -1;
        }
    }
    
    public void put(int key, int value) {
        if (map.containsKey(key)) {
            // 更新双向链表
            Node<Integer, Integer> node = map.get(key);
            // 新值替换老值，再放回
            node.value = value;
            map.put(key, node);
            // 先删除双向链表中的节点
            doubleLinkedList.removeNode(node);
            // 再添加到头部
            doubleLinkedList.addHead(node);
        } else {
            if (map.size() == cacheSize) {
                // 超出容量，删除双向链表的最后一个节点
                Node lastNode = doubleLinkedList.getLast();
                map.remove(lastNode.key);
                doubleLinkedList.removeNode(lastNode);
            }
            // 新增节点
            Node<Integer, Integer> newNode = new Node<>(key, value);
            map.put(key, newNode);
            doubleLinkedList.addHead(newNode);
        }
    }
}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117