在高并发、高性能的质量要求不断提高时，我们首先会想到的就是利用缓存予以应对。
第一次请求时把计算好的结果存放在缓存中，下次遇到同样的请求时，把之前保存在缓存中的数据直接拿来使用。
但是，缓存的空间一般都是有限，不可能把所有的结果全部保存下来。那么，当缓存空间全部被占满再有新的数据需要被保存，就要决定删除原来的哪些数据。如何做这样决定需要使用缓存淘汰算法。
常用的缓存淘汰算法有：FIFO、LRU、LFU，下面我们就逐一介绍一下。
FIFO，First In First Out，先进先出算法。判断被存储的时间，离目前最远的数据优先被淘汰。简单地说，先存入缓存的数据，先被淘汰。
最早存入缓存的数据，其不再被使用的可能性比刚存入缓存的可能性大。建立一个FIFO队列，记录所有在缓存中的数据。当一条数据被存入缓存时，就把它插在队尾上。需要被淘汰的数据一直在队列头。这种算法只是在按线性顺序访问数据时才是理想的，否则效率不高。因为那些常被访问的数据，往往在缓存中也停留得最久，结果它们却因变“老”而不得不被淘汰出去。
FIFO算法用队列实现就可以了，这里就不做代码实现了。
LRU，Least Recently Used，最近最少使用算法。判断最近被使用的时间，目前最远的数据优先被淘汰。简单地说，LRU 的淘汰规则是基于访问时间。
如果一个数据在最近一段时间没有被使用到，那么可以认为在将来它被使用的可能性也很小。因此，当缓存空间满时，最久没有使用的数据最先被淘汰。
在Java中，其实LinkedHashMap已经实现了LRU缓存淘汰算法，需要在构造函数第三个参数传入true，表示按照时间顺序访问。可以直接继承LinkedHashMap来实现。
package one.more;import java.util.LinkedHashMap;import java.util.Map;public class LruCache<K, V> extends LinkedHashMap<K, V> { /** * 容量限制 */ private int capacity; LruCache(int capacity) { // 初始大小，0.75是装载因子，true是表示按照访问时间排序 super(capacity, 0.75f, true); //缓存最大容量 this.capacity = capacity; } /** * 重写removeEldestEntry方法，如果缓存满了，则把链表头部第一个节点和对应的数据删除。 */ @Override protected boolean removeEldestEntry(Map.Entry<K, V> eldest) { return size() > capacity; }}我写一个简单的程序测试一下：
package one.more;public class TestApp { public static void main(String[] args) { LruCache<String, String> cache = new LruCache(3); cache.put("keyA", "valueA"); System.out.println("put keyA"); System.out.println(cache); System.out.println("========================="); cache.put("keyB", "valueB"); System.out.println("put keyB"); System.out.println(cache); System.out.println("========================="); cache.put("keyC", "valueC"); System.out.println("put keyC"); System.out.println(cache); System.out.println("========================="); cache.get("keyA"); System.out.println("get keyA"); System.out.println(cache); System.out.println("========================="); cache.put("keyD", "valueD"); System.out.println("put keyD"); System.out.println(cache); }}运行结果如下：
put keyA{keyA=valueA}=========================put keyB{keyA=valueA, keyB=valueB}=========================put keyC{keyA=valueA, keyB=valueB, keyC=valueC}=========================get keyA{keyB=valueB, keyC=valueC, keyA=valueA}=========================put keyD{keyC=valueC, keyA=valueA, keyD=valueD}当然，这个不是面试官想要的，也不是我们想要的。我们可以使用双向链表和哈希表进行实现，哈希表用于存储对应的数据，双向链表用于数据被使用的时间先后顺序。
在访问数据时，如果数据已存在缓存中，则把该数据的对应节点移到链表尾部。如此操作，在链表头部的节点则是最近最少使用的数据。
当需要添加新的数据到缓存时，如果该数据已存在缓存中，则把该数据对应的节点移到链表尾部；如果不存在，则新建一个对应的节点，放到链表尾部；如果缓存满了，则把链表头部第一个节点和对应的数据删除。
package one.more;import java.util.HashMap;import java.util.Map;public class LruCache<K, V> { /** * 头结点 */ private Node head; /** * 尾结点 */ private Node tail; /** * 容量限制 */ private int capacity; /** * key和数据的映射 */ private Map<K, Node> map; LruCache(int capacity) { this.capacity = capacity; this.map = new HashMap<>(); } public V put(K key, V value) { Node node = map.get(key); // 数据存在，将节点移动到队尾 if (node != null) { V oldValue = node.value; //更新数据 node.value = value; moveToTail(node); return oldValue; } else { Node newNode = new Node(key, value); // 数据不存在，判断链表是否满 if (map.size() == capacity) { // 如果满，则删除队首节点，更新哈希表 map.remove(removeHead().key); } // 放入队尾节点 addToTail(newNode); map.put(key, newNode); return null; } } public V get(K key) { Node node = map.get(key); if (node != null) { moveToTail(node); return node.value; } return null; } @Override public String toString() { StringBuilder sb = new StringBuilder(); sb.append("LruCache{"); Node curr = this.head; while (curr != null) { if(curr != this.head){ sb.append(',').append(' '); } sb.append(curr.key); sb.append('='); sb.append(curr.value); curr = curr.next; } return sb.append('}').toString(); } private void addToTail(Node newNode) { if (newNode == null) { return; } if (head == null) { head = newNode; tail = newNode; } else { //连接新节点 tail.next = newNode; newNode.pre = tail; //更新尾节点指针为新节点 tail = newNode; } } private void moveToTail(Node node) { if (tail == node) { return; } if (head == node) { head = node.next; head.pre = null; } else { //调整双向链表指针 node.pre.next = node.next; node.next.pre = node.pre; } node.pre = tail; node.next = null; tail.next = node; tail = node; } private Node removeHead() { if (head == null) { return null; } Node res = head; if (head == tail) { head = null; tail = null; } else { head = res.next; head.pre = null; res.next = null; } return res; } class Node { K key; V value; Node pre; Node next; Node(K key, V value) { this.key = key; this.value = value; } }}再次运行测试程序，结果如下：
put keyALruCache{keyA=valueA}=========================put keyBLruCache{keyA=valueA, keyB=valueB}=========================put keyCLruCache{keyA=valueA, keyB=valueB, keyC=valueC}=========================get keyALruCache{keyB=valueB, keyC=valueC, keyA=valueA}=========================put keyDLruCache{keyC=valueC, keyA=valueA, keyD=valueD}LFU，Least Frequently Used，最不经常使用算法，在一段时间内，数据被使用次数最少的，优先被淘汰。简单地说，LFU 的淘汰规则是基于访问次数。
如果一个数据在最近一段时间很少被使用到，那么可以认为在将来它被使用的可能性也很小。因此，当空间满时，最小频率使用的数据最先被淘汰。
我们可以使用双哈希表进行实现，一个哈希表用于存储对应的数据，另一个哈希表用于存储数据被使用次数和对应的数据。
package one.more;import java.util.Comparator;import java.util.HashMap;import java.util.LinkedList;import java.util.List;import java.util.Map;import java.util.stream.Collectors;public class LfuCache<K, V> { /** * 容量限制 */ private int capacity; /** * 当前最小使用次数 */ private int minUsedCount; /** * key和数据的映射 */ private Map<K, Node> map; /** * 数据频率和对应数据组成的链表 */ private Map<Integer, List<Node>> usedCountMap; public LfuCache(int capacity) { this.capacity = capacity; this.minUsedCount = 1; this.map = new HashMap<>(); this.usedCountMap = new HashMap<>(); } public V get(K key) { Node node = map.get(key); if (node == null) { return null; } // 增加数据的访问频率 addUsedCount(node); return node.value; } public V put(K key, V value) { Node node = map.get(key); if (node != null) { // 如果存在则增加该数据的访问频次 V oldValue = node.value; node.value = value; addUsedCount(node); return oldValue; } else { // 数据不存在，判断链表是否满 if (map.size() == capacity) { // 如果满，则删除队首节点，更新哈希表 List<Node> list = usedCountMap.get(minUsedCount); Node delNode = list.get(0); list.remove(delNode); map.remove(delNode.key); } // 新增数据并放到数据频率为1的数据链表中 Node newNode = new Node(key, value); map.put(key, newNode); List<Node> list = usedCountMap.get(1); if (list == null) { list = new LinkedList<>(); usedCountMap.put(1, list); } list.add(newNode); minUsedCount = 1; return null; } } @Override public String toString() { StringBuilder sb = new StringBuilder(); sb.append("LfuCache{"); List<Integer> usedCountList = this.usedCountMap.keySet().stream().collect(Collectors.toList()); usedCountList.sort(Comparator.comparingInt(i -> i)); int count = 0; for (int usedCount : usedCountList) { List<Node> list = this.usedCountMap.get(usedCount); if (list == null) { continue; } for (Node node : list) { if (count > 0) { sb.append(',').append(' '); } sb.append(node.key); sb.append('='); sb.append(node.value); sb.append("(UsedCount:"); sb.append(node.usedCount); sb.append(')'); count++; } } return sb.append('}').toString(); } private void addUsedCount(Node node) { List<Node> oldList = usedCountMap.get(node.usedCount); oldList.remove(node); // 更新最小数据频率 if (minUsedCount == node.usedCount && oldList.isEmpty()) { minUsedCount++; } node.usedCount++; List<Node> set = usedCountMap.get(node.usedCount); if (set == null) { set = new LinkedList<>(); usedCountMap.put(node.usedCount, set); } set.add(node); } class Node { K key; V value; int usedCount = 1; Node(K key, V value) { this.key = key; this.value = value; } }}再次运行测试程序，结果如下：
put keyALfuCache{keyA=valueA(UsedCount:1)}=========================put keyBLfuCache{keyA=valueA(UsedCount:1), keyB=valueB(UsedCount:1)}=========================put keyCLfuCache{keyA=valueA(UsedCount:1), keyB=valueB(UsedCount:1), keyC=valueC(UsedCount:1)}=========================get keyALfuCache{keyB=valueB(UsedCount:1), keyC=valueC(UsedCount:1), keyA=valueA(UsedCount:2)}=========================put keyDLfuCache{keyC=valueC(UsedCount:1), keyD=valueD(UsedCount:1), keyA=valueA(UsedCount:2)}看到这里，你已经超越了大多数人！
竟然已经看到这里了，你我定是有缘人，留下你的点赞和关注，他日必成大器。
微信公众号：万猫学社
微信扫描二维码
关注后回复「电子书」
获取12本Java必读技术书籍
