LRU
我认为在写涉及到数据结构或算法的实现类的源码解析博客时，不应该急于讲它的使用或马上展开对源码的解析，而是要先交待一下这个数据结构或算法的资料，了解它的设计，再从它的设计出发去讲如何实现，最后从实现的角度来讲回源码，才能深入理解。这是最新读了一些博客之后的思考。对此问题如果你有其他见解，欢迎留言交流。
在读LruCache源码之前，我们先来了解一下这里的Lru是什么。LRU全称为Least Recently Used，即最近最少使用，是一种缓存置换算法。我们的缓存容量是有限的，它会面临一个问题：当有新的内容需要加入我们的缓存，但我们的缓存空闲的空间不足以放进新的内容时，如何舍弃原有的部分内容从而腾出空间用来放新的内容。解决这个问题的算法有多种，比如LRU，LFU，FIFO等。
需要注意区分的是LRU和LFU。前者是最近最少使用，即淘汰最长时间未使用的对象；后者是最近最不常使用，即淘汰一段时间内使用最少的对象。比如我们缓存对象的顺序是：A B C B D A C A ，当需要淘汰一个对象时，如果采用LRU算法，则淘汰的是B，因为它是最长时间未被使用的。如果采用LFU算法，则淘汰的是D，因为在这段时间内它只被使用了一次，是最不经常使用的。
了解了LRU之后，我们再来看一下LruCache是如何实现的。
我们看一下LruCache的结构，它的成员变量及构造方法定义如下（这里分析的是android-23里的代码）：
private final LinkedHashMap<K, V> map;
private int size; //当前缓存内容的大小。它不一定是元素的个数，比如如果缓存的是图片，一般用的是图片占用的内存大小
private int maxSize; // 最大可缓存的大小
private int putCount; // put 方法被调用的次数
private int createCount; // create(Object) 被调用的次数
private int evictionCount; // 被置换出来的元素的个数
private int hitCount; // get 方法命中缓存中的元素的次数
private int missCount; // get 方法未命中缓存中元素的次数
public LruCache(int maxSize) {
if (maxSize <= 0) {
throw new IllegalArgumentException("maxSize <= 0");
}
this.maxSize = maxSize;
this.map = new LinkedHashMap<K, V>(0, 0.75f, true);
}
从上面的定义中会发现，LruCache进行缓存的内容是放在LinkedHashMap对象当中的。那么，LinkedHashMap是什么？它是怎么实现LRU这种缓存策略的？
LinkedHashMap继承自HashMap，不同的是，它是一个双向循环链表，它的每一个数据结点都有两个指针，分别指向直接前驱和直接后继，这一个我们可以从它的内部类LinkedEntry中看出，其定义如下：
static class LinkedEntry<K, V> extends HashMapEntry<K, V> {
LinkedEntry<K, V> nxt;
LinkedEntry<K, V> prv;
/** Create the header entry */
LinkedEntry() {
super(null, null, 0, null);
nxt = prv = this;
}
/** Create a normal entry */
LinkedEntry(K key, V value, int hash, HashMapEntry<K, V> next,
LinkedEntry<K, V> nxt, LinkedEntry<K, V> prv) {
super(key, value, hash, next);
this.nxt = nxt;
this.prv = prv;
}
}LinkedHashMap实现了双向循环链表的数据结构，它的定义如下：
public class LinkedHashMap<K, V> extends HashMap<K, V> {
transient LinkedEntry<K, V> header;
private final boolean accessOrder;
}当链表不为空时，header.nxt指向第一个结点，header.prv指向最后一个结点；当链表为空时，header.nxt与header.prv都指向它本身。
accessOrder是指定它的排序方式，当它为false时，只按插入的顺序排序，即新放入的顺序会在链表的尾部；而当它为true时，更新或访问某个节点的数据时，这个对应的结点也会被放到尾部。它通过构造方法public LinkedHashMap(int initialCapacity, float loadFactor, boolean accessOrder)来赋值。
我们来看一下加入一个新结点时的方法执行过程：
@Override void addNewEntry(K key, V value, int hash, int index) {
LinkedEntry<K, V> header = this.header;
// Remove eldest entry if instructed to do so.
LinkedEntry<K, V> eldest = header.nxt;
if (eldest != header && removeEldestEntry(eldest)) {
remove(eldest.key);
}
// Create new entry, link it on to list, and put it into table
LinkedEntry<K, V> oldTail = header.prv;
LinkedEntry<K, V> newTail = new LinkedEntry<K,V>(
key, value, hash, table[index], header, oldTail);
table[index] = oldTail.nxt = header.prv = newTail;
}可以看到，当加入一个新结点时，结构如下：
当accessOrder为true时，更新或者访问一个结点时，它会把这个结点移到尾部，对应代码如下：
private void makeTail(LinkedEntry<K, V> e) {
// Unlink e
e.prv.nxt = e.nxt;
e.nxt.prv = e.prv;
// Relink e as tail
LinkedEntry<K, V> header = this.header;
LinkedEntry<K, V> oldTail = header.prv;
e.nxt = header;
e.prv = oldTail;
oldTail.nxt = header.prv = e;
modCount++;
}以上代码分为两步，第一步是先把该节点取出来（Unlink e），如下图：
第二步是把这个这个结点移到尾部（Relink e as tail），也就是把旧的尾部的nxt以及头部的prv指向它，并让它的nxt指向头部，把它的prv指向旧的尾部。如下图：
除此之外，LinkedHashMap还提供了一个方法public Entry<K, V> eldest()，它返回的是最老的结点，当accessOrder为true时，也就是最近最少使用的结点。
熟悉了LinkedHashMap之后，我们发现，通过它来实现Lru算法也就变得理所当然了。我们所需要做的，就只剩下定义缓存的最大大小，记录缓存当前大小，在放入新数据时检查是否超过最大大小。所以LruCache定义了以下三个必需的成员变量：
private final LinkedHashMap<K, V> map;
/** Size of this cache in units. Not necessarily the number of elements. */
private int size;
private int maxSize;
然后我们来读一下它的get方法：
public final V get(K key) {
if (key == null) {
throw new NullPointerException("key == null");
}
V mapValue;
synchronized (this) {
mapValue = map.get(key);
if (mapValue != null) {// 当能获取到对应的值时，返回该值
hitCount++;
return mapValue;
}
missCount++;
}
/*
* Attempt to create a value. This may take a long time, and the map
* may be different when create() returns. If a conflicting value was
* added to the map while create() was working, we leave that value in
* the map and release the created value.
*/
//尝试创建一个值，这个方法的默认实现是直接返回null。但是在它的设计中，这个方法可能执行完成之后map已经有了变化。
V createdValue = create(key);
if (createdValue == null) {//如果不为没有命名的key创建新值，则直接返回
return null;
}
synchronized (this) {
createCount++;
//将创建的值放入map中，如果map在前面的过程中正好放入了这对key-value，那么会返回放入的value
mapValue = map.put(key, createdValue);
if (mapValue != null) {//如果不为空，说明不需要我们所创建的值，所以又把返回的值放进去
// There was a conflict so undo that last put
map.put(key, mapValue);
} else {
size += safeSizeOf(key, createdValue);//为空，说明我们更新了这个key的值，需要重新计算大小
}
}
if (mapValue != null) {//上面放入的值有冲突
entryRemoved(false, key, createdValue, mapValue);// 通知之前创建的值已经被移除，而改为mapValue
return mapValue;
} else {
trimToSize(maxSize);//没有冲突时，因为放入了新创建的值，大小已经有变化，所以需要修整大小
return createdValue;
}
}LruCache是可能被多个线程同时访问的，所以在读写map时进行加锁。当获取不到对应的key的值时，它会调用其create(K key)方法，这个方法用于当缓存没有命名时计算一个key所对应的值，它的默认实现是直接返回null。这个方法并没有加上同步锁，也就是在它进行创建时，map可能已经有了变化。
所以在get方法中，如果create(key)返回的V不为null，会再把它给放到map中，并检查是否在它创建的期间已经有其他对象也进行创建并放到map中了，如果有，则会放弃这个创建的对象，而把之前的对象留下，否则因为我们放入了新创建的值，所以要计算现在的大小并进行trimToSize。
trimToSize方法是根据传进来的maxSize，如果当前大小超过了这个maxSize，则会移除最老的结点，直到不超过。代码如下：
public void trimToSize(int maxSize) {
while (true) {
K key;
V value;
synchronized (this) {
if (size < 0 || (map.isEmpty() && size != 0)) {
throw new IllegalStateException(getClass().getName()
+ ".sizeOf() is reporting inconsistent results!");
}
if (size <= maxSize) {
break;
}
Map.Entry<K, V> toEvict = map.eldest();
if (toEvict == null) {
break;
}
key = toEvict.getKey();
value = toEvict.getValue();
map.remove(key);
size -= safeSizeOf(key, value);
evictionCount++;
}
entryRemoved(true, key, value, null);
}
}接下来，我们再来看put方法，它的代码也很简单：
public final V put(K key, V value) {
if (key == null || value == null) {
throw new NullPointerException("key == null || value == null");
}
V previous;
synchronized (this) {
putCount++;
size += safeSizeOf(key, value);
previous = map.put(key, value);
if (previous != null) {
size -= safeSizeOf(key, previous);
}
}
if (previous != null) {
entryRemoved(false, key, previous, value);
}
trimToSize(maxSize);
return previous;
}主要逻辑是，计算新增加的大小，加入size，然后把key-value放入map中，如果是更新旧的数据（map.put(key, value)会返回之前的value），则减去旧数据的大小，并调用entryRemoved(false, key, previous, value)方法通知旧数据被更新为新的值，最后也是调用trimToSize(maxSize)修整缓存的大小。
剩下的其他方法，比如删除里面的对象，或进行调整大小的操作，逻辑上都和上面的类似，这里略过。LruCache还定义了一些变量用于统计缓存命中率等，这里也不再进行赘述。
结语LruCache的源码分析就到这里，它对LRU算法的实现主要是通过LinkedHashMap来完成。另外，使用LRU算法，说明我们需要设定缓存的最大大小，而缓存对象的大小在不同的缓存类型当中的计算方法是不同的，计算的方法通过protected int sizeOf(K key, V value)实现，这里的默认实现是存放的元素的个数。举个例子，如果我们要缓存Bitmap对象，则需要重写这个方法，并返回bitmap对象的所有像素点所占的内存大小之和。还有，LruCache在实现的时候考虑到了多线程的访问问题，所以在对map进行更新时，都会加上同步锁。
LruCache是对LRU策略的内存缓存的实现，基于它，我们可以去实现自己的图片缓存或其它缓存等。除了内存缓存的LRU算法实现，谷歌在后来的系统源码中也曾经加上该算法的磁盘缓存的实现，目前在android-23的示例DisplayingBitmaps中，也有对应的源码DiskLruCache.java。对了，关于如何使用LruCache来实现图片内存缓存的具体代码，同样可以参照谷歌提供的这个示例代码中的ImageCache.java
