17 散列表+链表的使用场景

LRU缓存算法

LRU思想：维护一个按时间从旧到新排序的链表结构，因为缓存大小有限，当缓存空间不足时，需要淘汰一个数据，此时直接删除头节点，时间复杂度O(1)。当要缓存数据时，需要先查找数据，如果没有查找到，则放到链表尾部，因为查找需要遍历链表时间复杂度是O(n),所以单纯用链表做LRU缓存算法的时间复杂度也是O(n)，很高。
总结一下：
LRU算法需要三个功能：
1、往缓存空间添加数据
2、从缓存空间删除数据
3、从缓存空间查找数据
三个操作都涉及查找，所以单纯用链表的话，时间复杂度很高。但是散列表的查找时间复杂度是O(1)，所以散列表+链表实现LRU的话，可以将三个功能操作的时间复杂度降到O(1)。

如图：
每个结点有
data:存储数据
prev:前驱指针，纵向指针，维护数据缓存的时间线
next:后继指针，纵向指针，维护数据缓存的时间线
hnext:横向指针，维护解决散列表的散列冲突的单链表。
next和hnext有什么区别呢，prev和next维护的是双向链表，按照时间缓存连接。
而hext维护的是散列表每个槽内的单链表。

散列表+链表实现LRU:
1、查找功能：散列表查找数据时间复杂度是O(1)，查找到数据后，通过修改prev和next将数据移动到双向链表的尾部，但是hnext
2、删除功能：需要查找数据，然后删除。查找借助散列表查找数据，时间复杂度是O(1)。因为是双向链表，可以通过前驱指针和后继指针删除结点只要O(1)
3、添加功能：需要先看数据是否在缓存中，如果已经存在，需要移其道双向链表尾部；不存在的话，需要看缓存是否已满，满的话删除头部结点，然后把数据放到尾部，不满的话直接放到双向链表尾部。
总结：散列表+链表实现LRU，三个操作都是O(1)，实现了一个高效的、支持LRU的缓存算法的存储系统原型。

有序集合

有序集合中有两个重要的属性，key键值和score分值，功能有：
1、添加成员对象
2、根据键值删除成员对象
3、根据键值查询成员对象
4、根据分值查找数据，例如查[100-356]的数据
5、根据分值从大到小排序数据。
如果只按照分值来将成员对象创建成跳表，那这样要实现删除、查找功能的时间复杂度是很高的。所以也是像LRU一样，根据key创建一个散列表，通过散列表实现查找、删除功能，时间复杂度是O(1)，然后根据跳表实现对分值的排序以及查找。

JAVA LinkedHashMap

LinkedHashMap比HashMap多了一个linked，这并不是表示用linked链表解决散列冲突，而是表示双链表。实际上LinkedHashMap是通过双链表+散列表组合而成，原理与双链表+散列表的LRU缓存算法一致的。
例如：

HashMap<Integer, Integer> m = new LinkedHashMap<>();
m.put(3, 11);
m.put(1, 12);
m.put(5, 23);
m.put(2, 22);

for (Map.Entry e : m.entrySet()) {
  System.out.println(e.getKey());
}

这段代码的输出顺序是3、1、5、2，正常散列表的数据是打乱后无规则存储的，但是这里是按插入顺序遍历打印的。实际上不仅可以按顺序遍历打印，还能按访问顺序遍历数据，与LRU一致。

// 10是初始大小，0.75是装载因子，true是表示按照访问时间排序
HashMap<Integer, Integer> m = new LinkedHashMap<>(10, 0.75f, true);
m.put(3, 11);
m.put(1, 12);
m.put(5, 23);
m.put(2, 22);

m.put(3, 26);
m.get(5);

for (Map.Entry e : m.entrySet()) {
  System.out.println(e.getKey());
}

打印结果是1，2，3，5.
具体分析，4-7行代码后，数据添加到链表，链表呈现如下：

第9行代码后，将key=3的键值放入链表中，因为key=3在链表以及存在了，所以删除原来的（3，11），重新在链表尾部添加（3，26）

第10行代码后，查询key=9的数据，被查询的数据移动到尾部表示最新访问的。

所以输出1，2，3，5
总结：LinkedHashMap与基于散列表+双向链表的LRU缓存算法原理一致，
为什么散列表总是跟链表一起使用
1、散列表的查找、插入、删除是很高效的，但是数据都是打乱无规律存储的，所以它无法支持按照某种顺序快速遍历数据。
2、链表或者跳表可以高效排序遍历列表的数据，所以二者需要结合使用。