聊聊如何实现 LRU 缓存算法

关注

原创最新推荐文章于 2026-05-11 16:53:36 发布 430 阅读 AI 写同款· GEO 优化 ›

聊聊缓存淘汰算法-LRU 实现原理前言我们常用缓存提升数据查询速度，由于缓存容量有限，当缓存容量到达上限，就需要删除部分数据挪出空间，这样新数据才可以添加进来。缓存数据不能随机删除，一般情况下我们需要根据某种算法删除缓存数据。常用淘汰算法有 LRU,LFU,FIFO,这篇文章我们聊聊 LRU 算法。 LRU 简介 LRU 是 Least Recently Used 的缩写，这种算法认为最近使用的数据是热门数据，下一次很大概率将会... 阅读详情

1. LRU 缓存介绍

LRU 算法全称是最近最少使用算法（Least Recently Use），是一种简单的缓存策略。顾名思义，LRU 算法会选出最近最少使用的数据进行淘汰。

那么什么是缓存呢？缓存专业点可以叫一种提高数据读取性能的技术，可以有效解决存储器性能和容量的矛盾，是一种空间换时间的设计思想，比如我们常见的内存是硬盘的缓存，Cache 是内存的缓存，浏览器本地存储是网络访问的缓存......

LRU 有许多应用场景，例如：

操作系统底层的内存管理。
缓存服务，例如 Redis，当数据满的时候就要淘汰掉长期不使用的 key，在 Redis 中用了一个类似的 LRU 算法，而不是严格的 LRU 算法。
MySQL 的 Buffer Pool，也就是缓冲池，它的目的是为了减少磁盘 IO。它是一块连续的内存，当 Buffer Pool 满的时候就要淘汰很久没有被访问过的页。

2. Leetcode 真题

146. LRU 缓存，请你设计并实现一个满足 LRU (最近最少使用) 缓存约束的数据结构。

实现 LRUCache 类：

LRUCache (int capacity) 以正整数作为容量 capacity 初始化 LRU 缓存。
int get (int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。
void put (int key, int value) 如果关键字 key 已经存在，则变更其数据值 value ；如果不存在，则向缓存中插入该组 key-value 。如果插入操作导致关键字数量超过 capacity ，则应该逐出最久未使用的关键字。

函数 get 和 put 必须以 O (1) 的平均时间复杂度运行。

示例：

输入
["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"]
[[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]]
输出
[null, null, null, 1, null, -1, null, -1, 3, 4]

解释
LRUCache lRUCache = new LRUCache(2);
lRUCache.put(1, 1); // 缓存是 {1=1}
lRUCache.put(2, 2); // 缓存是 {1=1, 2=2}
lRUCache.get(1);    // 返回 1
lRUCache.put(3, 3); // 该操作会使得关键字 2 作废，缓存是 {1=1, 3=3}
lRUCache.get(2);    // 返回 -1 (未找到)
lRUCache.put(4, 4); // 该操作会使得关键字 1 作废，缓存是 {4=4, 3=3}
lRUCache.get(1);    // 返回 -1 (未找到)
lRUCache.get(3);    // 返回 3
lRUCache.get(4);    // 返回 4

3. 题目分析

(1) 首先，题目中提到函数 get 和 put 必须以 O (1) 的平均时间复杂度运行，很自然地我们可以想到应该使用哈希表。

(2) 其次，当访问数据结构中的某个 key 时，需要将这个 key 更新为最近使用；另外如果 capacity 已满，需要删除访问时间最早的那条数据。这要求数据是有序的，并且可以支持在任意位置快速插入和删除元素，链表可以满足这个要求。

(3) 结合 1，2 两点来看，我们可以采用哈希表 + 链表的结构实现 LRU 缓存。

如上图所示，就是哈希表 + 链表实现的 LRU 缓存数据结构，有以下几个问题解释一下：

(1) 为什么这里要使用双向链表，而不是单向链表？我们在找到了节点，需要删除节点的时候，如果使用单向链表的话，后驱节点的指针是直接能拿到的，但是这里要求时间复杂度是 O (1)，要能够直接获取到前驱节点的指针，那么只能使用双向链表。

(2) 哈希表里面已经保存了 key ，那么链表中为什么还要存储 key 和 value 呢，只存入 value 不就行了？当我们删除节点的时候，除了需要删除链表中的节点，还需要删除哈希表中的节点。删除哈希表中的节点需要知道 key，所以在链表的节点中需要存储 key 和 value，当删除链表节点时拿到 key，再根据 key 到哈希表中删除节点。

(3) 虚拟头节点和虚拟尾节点有什么用？虚拟节点在链表中被广泛应用，又称为哨兵节点，通常不保存任何数据。使用虚拟节点我们可以统一处理链表中所有节点的插入删除操作，而不用考虑头尾两个节点的特殊情况。

4. 代码实现

(1) Golang

package main

import "fmt"

// LRU 数据结构
type LRUCache struct {
  capacity   int                  // 容量
  size       int                  // 已使用空间
  head, tail *DLinkedNode         // 头节点，尾节点
  cache      map[int]*DLinkedNode // 哈希表
}

// 双向链表数据结构
type DLinkedNode struct {
  key, value int
  prev, next *DLinkedNode // 前指针，后指针
}

// 创建一个新的节点
func initDLinkedNode(key, value int) *DLinkedNode {
  return &DLinkedNode{
    key:   key,
    value: value,
  }
}

// 初始化 LRU 结构
func Constructor(capacity int) LRUCache {
  l := LRUCache{
    cache:    map[int]*DLinkedNode{}, //  哈希表
    head:     initDLinkedNode(0, 0),  // 虚拟头节点
    tail:     initDLinkedNode(0, 0),  // 虚拟尾节点
    capacity: capacity,               // 容量
  }
  // 虚拟头节点和虚拟尾节点互连
  l.head.next = l.tail
  l.tail.prev = l.head
  return l
}

// 获取元素
func (this *LRUCache) Get(key int) int {
  // 如果没有在哈希表中找到 key
  if _, ok := this.cache[key]; !ok {
    return -1
  }
  // 如果 key 存在，先通过哈希表定位，再移到头部
  node := this.cache[key]
  this.moveToHead(node)
  return node.value
}

// 插入元素
func (this *LRUCache) Put(key int, value int) {
  // 先去哈希表中查询
  // 如果 key 不存在，创建一个新的节点
  if node, ok := this.cache[key]; !ok {
    newNode := initDLinkedNode(key, value)
    // 如果达到容量限制，链表删除尾部节点，哈希表删除元素
    this.size++
    if this.size > this.capacity {
      // 得到删除的节点
      removed := this.removeTail()
      // 根据得到的 key 删除哈希表中的元素
      delete(this.cache, removed.key)
      // 减少已使用容量
      this.size--
    }
    // 插入哈希表
    this.cache[key] = newNode
    // 插入链表
    this.addToHead(newNode)
  } else { // 如果 key 存在，先通过哈希表定位，再修改 value，并移到头部
    node.value = value
    this.moveToHead(node)
  }
}

// 将节点添加到头部
func (this *LRUCache) addToHead(node *DLinkedNode) {
  // 新节点指向前后节点
  node.prev = this.head
  node.next = this.head.next
  
  // 前后节点指向新节点
  this.head.next.prev = node
  this.head.next = node
}

// 删除该节点
func (this *LRUCache) removeNode(node *DLinkedNode) {
  // 修改该节点前后节点的指针，不再指向该节点
  node.next.prev = node.prev
  node.prev.next = node.next
}

// 移动到头部，也就是当前位置删除，再添加到头部
func (this *LRUCache) moveToHead(node *DLinkedNode) {
  this.removeNode(node)
  this.addToHead(node)
}

// 移除尾部节点，淘汰最久未使用的
func (this *LRUCache) removeTail() *DLinkedNode {
  node := this.tail.prev // 虚拟尾节点的上一个才是真正的尾节点
  this.removeNode(node)
  return node
}

// 打印链表（解题不需要此方法，只是为了显示效果）
func (this *LRUCache) printDLinkedNode() {
  p := this.head
  for p != nil {
    fmt.Printf("key: %d, value: %d\n", p.key, p.value)
    p = p.next
  }
}
func main() {
  lru := Constructor(3)
  fmt.Println("=========================== 插入 3 个节点 ===========================")
  lru.Put(1, 100)
  lru.Put(2, 200)
  lru.Put(3, 300)
  fmt.Println("=========================== 打印当前链表 ===========================")
  lru.printDLinkedNode()

  fmt.Println("=========================== 插入第 4 个节点，LRU 缓存淘汰尾部节点 ===========================")
  lru.Put(4, 400)
  lru.printDLinkedNode()

  fmt.Println("=========================== 获取 key2 节点，更新 LRU 缓存，将会移动至链表头部 ===========================")
  lru.Get(2)
  lru.printDLinkedNode()
}

(2) Java

import java.util.HashMap;  
import java.util.Map;  
  
public class LRUCache {  
    // 双向链表  
    class DLinkedNode {  
        int key;  
        int value;  
        DLinkedNode prev;  
        DLinkedNode next;  
  
        public DLinkedNode() {  
        }  
        public DLinkedNode(int key, int value) {  
            this.key = key;  
            this.value = value;  
        }  
    }  
    // 哈希表  
    private Map<Integer, DLinkedNode> cache = new HashMap<>();  
    // 已使用空间  
    private int size;  
    // 容量  
    private int capacity;  
    // 头节点，尾节点  
    private DLinkedNode head, tail;  
  
    public LRUCache(int capacity) {  
        this.size = 0;  
        this.capacity = capacity;  
        // 使用虚拟头部和虚拟尾部节点  
        head = new DLinkedNode();  
        tail = new DLinkedNode();  
        // 虚拟头节点和虚拟尾节点互连  
        head.next = tail;  
        tail.prev = head;  
    }  
  
    // 获取元素  
    public int get(int key) {  
        DLinkedNode node = cache.get(key);  
        // 如果没有在哈希表中找到 key  
        if (node == null) {  
            return -1;  
        }  
        // 如果 key 存在，先通过哈希表定位，再移到头部  
        moveToHead(node);  
        return node.value;  
    }  
  
    // 插入元素  
    public void put(int key, int value) {  
        DLinkedNode node = cache.get(key);  
        if (node == null) {  
            // 如果 key 不存在，创建一个新的节点  
            DLinkedNode newNode = new DLinkedNode(key, value);  
            // 如果达到容量限制，链表删除尾部节点，哈希表删除元素  
            size++;  
            if (size > capacity) {  
                // 得到删除的节点  
                DLinkedNode removed = removeTail();  
                // 根据得到的 key 删除哈希表中的元素  
                cache.remove(removed.key);  
                // 减少已使用容量  
                size--;  
            }  
            // 插入哈希表  
            cache.put(key, newNode);  
            // 添加至双链表的头部  
            addToHead(newNode);  
        } else {  
            // 如果 key 存在，先通过哈希表定位，再修改 value，并移到头部  
            node.value = value;  
            moveToHead(node);  
        }  
    }  
    // 将节点添加到链表头部  
    private void addToHead(DLinkedNode node) {  
        // 新节点指向前后节点  
        node.prev = head;  
        node.next = head.next;  
        // 前后节点指向新节点  
        head.next.prev = node;  
        head.next = node;  
    }  
  
    // 删除节点  
    private void removeNode(DLinkedNode node) {  
        // 修改该节点前后节点的指针，不再指向该节点  
        node.prev.next = node.next;  
        node.next.prev = node.prev;  
    }  
  
    // 移动到头部，也就是当前位置删除，再添加到头部  
    private void moveToHead(DLinkedNode node) {  
        removeNode(node);  
        addToHead(node);  
    }  
  
    // 移除尾部节点，淘汰最久未使用的  
    private DLinkedNode removeTail() {  
        DLinkedNode res = tail.prev; // 虚拟尾节点，prev 才是此时真正的尾节点  
        removeNode(res);  
        return res;  
    }  
  
    // 打印链表（解题不需要此方法，只是为了显示效果）  
    private void printDLinkedNode() {  
        DLinkedNode p = this.head;  
        while (p != null) {  
            System.out.printf("key: %d, value: %d\n", p.key, p.value);  
            p = p.next;  
        }  
    }  
    public static void main(String[] args) {  
        LRUCache lru = new LRUCache(3);  
        System.out.println("=========================== 插入 3 个节点 ===========================");  
        lru.put(1, 100);  
        lru.put(2, 200);  
        lru.put(3, 300);  
        System.out.println("=========================== 打印当前链表 ===========================");  
        lru.printDLinkedNode();  
  
        System.out.println("=========================== 插入第 4 个节点，LRU 缓存淘汰尾部节点 key1 ===========================");  
        lru.put(4, 400);  
        lru.printDLinkedNode();  
  
        System.out.println("=========================== 获取 key2 的节点，更新 LRU 缓存，将会移动至链表头部 ===========================");  
        lru.get(2);  
        lru.printDLinkedNode();  
    }  
}

(3) 运行结果

代码运行的返回结果如下，其中头尾两个 key=0, value=0 的节点是虚拟节点，请忽略。

=========================== 插入 3 个节点 ===========================
=========================== 打印当前链表 ===========================
key: 0, value: 0
key: 3, value: 300
key: 2, value: 200
key: 1, value: 100
key: 0, value: 0
=========================== 插入第 4 个节点，LRU 缓存淘汰尾部节点 ===========================
key: 0, value: 0
key: 4, value: 400
key: 3, value: 300
key: 2, value: 200
key: 0, value: 0
=========================== 获取 key2 节点，更新 LRU 缓存，将会移动至链表头部 ===========================
key: 0, value: 0
key: 2, value: 200
key: 4, value: 400
key: 3, value: 300
key: 0, value: 0

5. 测试案例示意图

第 1 步：初始化数据结构。