缓存优化必备：掌握冷热分离和重排序的优化技巧_缓存冷热数据如何进行处理(1)

最新推荐文章于 2024-07-26 14:15:52 发布

2401_84862291

最新推荐文章于 2024-07-26 14:15:52 发布

阅读量421

点赞数 3

分类专栏：程序员文章标签：鸿蒙面试学习

本文链接：https://blog.csdn.net/2401_84862291/article/details/138708777

版权

程序员专栏收录该内容

104 篇文章 1 订阅

订阅专栏

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

所谓冷热端分离，就是将数据集分为两个部分：冷数据和热数据。冷数据指的是访问频率低的数据，可以不用放入缓存中，而热数据指的是访问频率高的数据，应该优先放入缓存中。通过冷热端分离，可以有效地提高缓存的命中率，从而提升系统的性能。

2.重排序

在实际应用中，数据访问的顺序往往并不是随机的，而是有一定的规律。如果按照这种规律来访问数据，可以有效地提高缓存的命中率。因此，可以采用重排序的策略来优化缓存。

所谓重排序，就是将数据按照一定的规则重新排序，使得访问频率高的数据排在前面，访问频率低的数据排在后面。这样，在访问数据时就可以先访问排在前面的数据，从而提高缓存的命中率。

需要注意的是，重排序的策略需要根据具体的数据集来确定，不同的数据集可能需要不同的重排序策略。同时，重排序可能会增加一定的计算量，需要在性能和命中率之间做出平衡。

举个例子

Android 中使用冷热端分离和重排序策略提高图片加载缓存命中率的例子

class ImageLoader(private val context: Context) {
private val memoryCache: LruCache<String, Bitmap>
private val diskCache: DiskLruCache

init {
// 计算可用的最大内存
val maxMemory = (Runtime.getRuntime().maxMemory() / 1024).toInt()
// 取可用内存的 1/8 作为缓存大小
val cacheSize = maxMemory / 8
memoryCache = object : LruCache<String, Bitmap>(cacheSize) {
override fun sizeOf(key: String, value: Bitmap): Int {
// 计算 Bitmap 的大小，单位是 KB
return value.byteCount / 1024
}
}
// 获取磁盘缓存路径
val cacheDir = context.externalCacheDir?.path ?: context.cacheDir.path
val diskCacheDir = File(cacheDir + File.separator + “image_cache”)
if (!diskCacheDir.exists()) {
diskCacheDir.mkdirs()
}
diskCache = DiskLruCache.open(diskCacheDir, 1, 1, 10 * 1024 * 1024)
}

//
fun displayImage(url: String, imageView: ImageView) {
val bitmap = memoryCache.get(url)
if (bitmap != null) {
imageView.setImageBitmap(bitmap)
return
}
loadFromDiskCache(url, imageView)
loadFromNetwork(url, imageView)
}

private fun loadFromDiskCache(url: String, imageView: ImageView) {
var bitmap: Bitmap? = null
try {
val snapshot = diskCache.get(url)
if (snapshot != null) {
val inputStream = snapshot.getInputStream(0)
val fileDescriptor = (inputStream as FileInputStream).fd
bitmap = BitmapFactory.decodeFileDescriptor(fileDescriptor)
if (bitmap != null) {
memoryCache.put(url, bitmap)
imageView.setImageBitmap(bitmap)
}
}
} catch (e: IOException) {
e.printStackTrace()
}
}

private fun loadFromNetwork(url: String, imageView: ImageView) {
// 发送网络请求获取图片数据
// …

// 解码图片数据并显示
val bitmap = decodeBitmapFromData(imageData, reqWidth, reqHeight)
if (bitmap != null) {
memoryCache.put(url, bitmap)
try {
val editor = diskCache.edit(url)
if (editor != null) {
val outputStream = editor.newOutputStream(0)
bitmap.compress(Bitmap.CompressFormat.PNG, 100, outputStream)
editor.commit()
}
} catch (e: IOException) {
e.printStackTrace()
}
imageView.setImageBitmap(bitmap)
}
}

private fun decodeBitmapFromData(data: ByteArray, reqWidth: Int, reqHeight: Int): Bitmap? {
// 解码图片数据并返回 Bitmap 对象
// …
}
}

ImageLoader 类封装了图片加载的逻辑。它通过 LruCache 和 DiskLruCache 实现了冷热端分离的策略，将访问频率高的图片放入 LruCache 中，而将不常用的图片放入 DiskLruCache 中。在加载图片时，先从 LruCache 中查找图片是否已经缓存，如果已经缓存则直接显示，否则从 DiskLruCache 中查找，如果也没有找到图片，则通过网络请求获取图片并缓存到 LruCache 和 DiskLruCache 中，最后显示在 ImageView 中。