Glide都在用的LruCache，你学会了吗？

什么是LRU？

在了解我们的LRUCache之前自然是需要知道什么是LRU了。

先来一段百度百科的“科学”解释：LRU是Least Recently Used的缩写，即最近最少使用，是一种常用的页面置换算法，选择最近最久未使用的页面予以淘汰。该算法赋予每个页面一个访问字段，用来记录一个页面自上次被访问以来所经历的时间 t，当须淘汰一个页面时，选择现有页面中其 t 值最大的，即最近最少使用的页面予以淘汰。

一番百度猛如虎的操作之后，让我们来图解一下LRU好了。

LRU的替换算法在内存已满时分为以下两种情况：

（1）缓存内部不存在时，如何进行替换操作。

（2）缓存内部存在时，如何进行替换操作？

使用方法及结果

在项目中直接导入Glide的库，调用内部的LruCache来看看效果。

LruCache lruCache = new LruCache<String, Integer>(2);
lruCache.put("1", 1);
lruCache.put("2", 2);
lruCache.put("1", 1);
lruCache.put("3", 3);
System.out.println(lruCache.get("1"));
System.out.println(lruCache.get("2"));
System.out.println(lruCache.get("3"));

简要说明代码内容，创建一个空间为2的存储空间（这里先不透漏内部结构），用put()方法对数据进行存储，再通过get()对每个数据进行一次获取操作，然后我们再来看看结果。

我的天！！2没了？这是怎么一回事？？想来认真看过上面图解的读者们已经心中知道答案了，但是呢我们还是要进入Glide的库中去看看它是如何去进行实现的了。

LruCache源码导读

先看看LruCache的变量家庭里有哪些小家伙把。

public class LruCache<T, Y> {
  // 容量为100的双向链表
  private final Map<T, Y> cache = new LinkedHashMap<>(100, 0.75f, true); 
  private final long initialMaxSize; // 初始化最大容量
  private long maxSize; // 最大容量
  private long currentSize; // 已存在容量
}

同样对于LruCache来说不也和HashMap一样只有三步骤要走嘛，那我就从这三个步骤入手探索一下LruCache好了，但是我们要带上一个问题出发，initialMaxSize的作用是什么？

new LruCache<T, Y>(size)

  public LruCache(long size) {
    this.initialMaxSize = size;
    this.maxSize = size;
  }

到这里想来读者都已经知道套路了，也就初始化了初始化最大容量和最大容量，那就直接下一步。

put(key, value)

public synchronized Y put(@NonNull T key, @Nullable Y item) {
    // 返回值就是一个1
    final int itemSize = getSize(item);
    // 如果1大于等于最大值就无操作
    // 也就说明整个初始化的时候并不能将size设置成1
    if (itemSize >= maxSize) {
      //用于重写的保留方法
      onItemEvicted(key, item);
      return null;
    }
    // 对当前存在数据容量加一
    if (item != null) {
      currentSize += itemSize;
    }
    @Nullable final Y old = cache.put(key, item);
    if (old != null) {
      currentSize -= getSize(old);
    
      if (!old.equals(item)) {
        onItemEvicted(key, old);
      }
    }
    evict(); // 1 -->

    return old;
  }
// 由注释1直接调用的方法
private void evict() {
    trimToSize(maxSize); // 2 -->
  }
// 由注释2直接调用的方法 
protected synchronized void trimToSize(long size) {
    Map.Entry<T, Y> last;
    Iterator<Map.Entry<T, Y>> cacheIterator;
    // 说明当前的容量大于了最大容量
    // 需要对最后的数据进行一个清理
    while (currentSize > size) {
      cacheIterator = cache.entrySet().iterator();
      last = cacheIterator.next();
      final Y toRemove = last.getValue();
      currentSize -= getSize(toRemove);
      final T key = last.getKey();
      cacheIterator.remove();
      onItemEvicted(key, toRemove);
    }
  }

这是一个带锁机制的方法，通过对当前容量和最大容量的判断，来抉择是否需要把我们的数据进行一个删除。但是问题依旧存在，initialMaxSize的作用是什么？，我们能够知道的是maxSize是一个用于控制容量大小的值。

get()

 public synchronized Y get(@NonNull T key) {
    return cache.get(key);
  }

那这就是调用了LinkedHashMap中的数据，但是终究还是没有说出initialMaxSize的作用。

关于initialMaxSize

这里就不买关子了，因为其实就我的视角来看这个initialMaxSize确实是没啥用处的。哈哈哈哈哈！！！但是，又一个地方用到了它。

public synchronized void setSizeMultiplier(float multiplier) {
    if (multiplier < 0) {
      throw new IllegalArgumentException("Multiplier must be >= 0");
    }
    maxSize = Math.round(initialMaxSize * multiplier);
    evict();
  }

也就是用于调控我们的最大容量大小，但是我觉得还是没啥用，可是是我太菜了吧，这个方法没有其他调用它的方法，是一个我们直接在使用过程中使用的，可能和数据多次使用的一个保存之类的问题相关联把，场景的话也就类似Glide的图片缓存加载把。也希望知道的读者能给我一个解答。

LinkedHashMap

因为操作方式和HashMap一致就不再复述，就看看他的节点长相。

static class LinkedHashMapEntry<K,V> extends HashMap.Node<K,V> {
        // 存在前后节点，也就是我们所说的双向链表
        LinkedHashMapEntry<K,V> before, after;
        LinkedHashMapEntry(int hash, K key, V value, Node<K,V> next) {
            super(hash, key, value, next);
        }

但是到这里，我又出现了一个问题，为什么我没有看到整个数据的移动？也就是最近使用的数据应该调换到最后开始的位置，他到底实在哪里进行处理的呢？做一个猜想好了，既然是使用了put()才会造成双向链表中数据的变换，那我们就应该是需要进入对LinkedHashMap.put()方法中进行查询。

当然有兴趣探索的读者们，我需要提一个醒，就是这次的调用不可以直接进行对put()进行查询，那样只会调用到一个接口函数，或者是抽象类函数，最适合的方法还是使用我们的断点来进行探索查询。

但是经过一段努力后，不断深度调用探索发现这样的问题，他最后会调用到这样的问题。

// Callbacks to allow LinkedHashMap post-actions
void afterNodeAccess(Node<K,V> p) { } // 把数据移动到最后一位
void afterNodeInsertion(boolean evict) { }
void afterNodeRemoval(Node<K,V> p) { }

这是之前我们在了解HashMap是并没有发现几个方法，上面也明确写着为LinkedHashMap保留。哇哦！！那我们的操作肯定实在这些里面了。

// --> HashMap源码第656行附近调用到下方方法
// 在putVal()方法内部存在这个出现
afterNodeAccess(e);
// --> LinkedHashMap对其具体实现
// 就是将当前数据直接推到最后一个位置
// 也就是成为了最近刚使用过的数据
void afterNodeAccess(Node<K,V> e) { // move node to last
        LinkedHashMapEntry<K,V> last;
        if (accessOrder && (last = tail) != e) {
            LinkedHashMapEntry<K,V> p =
                (LinkedHashMapEntry<K,V>)e, b = p.before, a = p.after;
            p.after = null;
            if (b == null)
                head = a;
            else
                b.after = a;
            if (a != null)
                a.before = b;
            else
                last = b;
            if (last == null)
                head = p;
            else {
                p.before = last;
                last.after = p;
            }
            tail = p;
            ++modCount;
        }
    }

好了，自此我们也就清楚了整个链表的变换过程了。

实战：手撸LruCache

这是一个非常紧张刺激的环节了，撸代码前，我们来找找思路好了。

（1）存储容器用什么？ 因为LinkedHashMap的思路太过冗长，我们用数组来重新完成整个代码的构建

（2）关键调用方法put()、get()以及put()涉及的已存在变量移位。

哇哦！看来要做的事情也并没有这么多,那我们就先来看看第一次构造出来的框架好了。

public class LruCache {

    private Object objects[];
    private int maxSize;
    private int currentSize;

    public LruCache(int size){
        objects = new Object[size];
        maxSize = size;
    }

    /**
     * 插入item
     * @param item
     */
    public void put(Object item){
        
    }

    /**
     * 获取item
     * @param item
     */
    public Object get(Object item){
        return null;
    }

    /**
     * 根据下标对应，将后续数组移位
     * @param index
     */
    public void move(int index){
        
    }
}

因为只要是数组变换就存在移位，所以移位操作是必不可少的。那我们现在的工作也就是把数据填好了，对应的移位是怎么样的操作的思路了。

public class LruCache {

    public Object objects[];
    private int maxSize;
    public int currentSize;

    public LruCache(int size) {
        objects = new Object[size];
        maxSize = size;
    }

    /**
     * 插入item
     *
     * @param item
     */
    public void put(Object item) {
        // 容量未满时分成两种情况
        // 1。 容器内存在
        // 2。 容器内不存在
        int index = search(item);
        if (index == -1) {
            if (currentSize < maxSize) { //容器未满，直接插入
                objects[currentSize] = item;
                currentSize++;
            } else { // 容器已满，删去头部插入
                move(0);
                objects[currentSize - 1] = item;
            }
        }else {
            move(index);
        }
    }

    /**
     * 获取item
     *
     * @param item
     */
    public Object get(Object item) {
        int index = search(item);
        return index == -1 ? null : objects[index];
    }

    /**
     * 根据下标对应，将后续数组移位
     *
     * @param index
     */
    public void move(int index) {
        Object temp = objects[index];
        // 将后续数组移位
        for (int i = index; i < currentSize - 1; i++) {
            objects[i] = objects[i + 1];
        }
        objects[currentSize - 1] = temp;
    }

    /**
     * 搜寻数组中的数组
     * 存在则返回下标
     * 不存在则返回 -1
     * @param item
     * @return
     */
    private int search(Object item) {
        for (int i = 0; i < currentSize; i++) {
            if (item.equals(objects[i])) return i;
        }
        return -1;
    }

因为已经真的写的比较详细了，也没什么难度的撸了我的20分钟，希望读者们能够快入入门，下面给出我的一份测试样例，结束这个话题。

总结

想来我们都知道在操作系统中有这样的问题需要思考，具体题型的话就是缺页中断。
用一个例题来彻底了解LruCache的算法。

例： 存入内存的数据序列为：（1，2，1，3，2），内存容量为2。

LruCache 主要用于缓存的处理,这里的缓存主要指的是内存缓存和磁盘缓存。