《Android Glide 深度解析：工作原理、LRU 缓存机制与最佳实践》

伟江.Zeng

已于 2025-03-10 21:22:48 修改

阅读量1.1k

点赞数 22

分类专栏： Android基础文章标签： java android kotlin Glide 图片 Lru 缓存

于 2025-03-10 20:58:26 首次发布

本文链接：https://blog.youkuaiyun.com/weijiangbc0/article/details/146163497

版权

Android基础专栏收录该内容

17 篇文章

订阅专栏

3. 内存缓存实现（LruResourceCache）

4. 磁盘缓存实现（DiskLruCacheWrapper）

一、核心工作原理与源码分析

Glide 的设计围绕高效加载、生命周期管理和多层缓存展开，其核心流程如下：

1. 初始化与生命周期绑定

单例初始化：
通过 Glide.with(context) 触发初始化（仅首次调用时创建实例）。
```
// Glide.java
public static RequestManager with(Context context) {
  return getRetriever(context).get(context);
}
```
- 内部通过 GlideBuilder 构建线程池、内存缓存等组件。

生命周期管理：
Glide 通过向 Activity/Fragment 添加一个隐藏的 SupportRequestManagerFragment 监听生命周期。

// RequestManagerRetriever.java
private RequestManager fragmentGet(Context context, FragmentManager fm) {
  SupportRequestManagerFragment current = getSupportRequestManagerFragment(fm);
  RequestManager requestManager = current.getRequestManager();
  if (requestManager == null) {
    requestManager = new RequestManager(...);
    current.setRequestManager(requestManager);
  }
  return requestManager;
}

当 Activity 销毁时，自动取消未完成请求，避免内存泄漏。

2. 图片加载流程（源码核心）

调用 Glide.with().load().into() 的完整流程：

Engine.load()：协调缓存与加载任务。

// Engine.java
public <R> LoadStatus load(...) {
  // 1. 检查活动资源（ActiveResources）
  EngineResource<?> active = loadFromActiveResources(key);
  if (active != null) return new LoadStatus(cb, active);

  // 2. 检查内存缓存（Memory Cache）
  EngineResource<?> cached = loadFromCache(key);
  if (cached != null) return new LoadStatus(cb, cached);

  // 3. 创建新任务（DecodeJob）
  EngineJob<R> engineJob = engineJobFactory.build(...);
  DecodeJob<R> decodeJob = decodeJobFactory.build(...);
  engineJob.start(decodeJob);
}

DecodeJob.run()：执行解码任务。

从磁盘缓存或网络获取数据，解码为 Bitmap。

// DecodeJob.java
public void run() {
  DataFetcher<?> fetcher = currentGenerator.getNextFetcher();
  fetcher.loadData(..., new DataCallback<Object>() {
    @Override
    public void onDataReady(Object data) {
      decodeFromRetrievedData(); // 解码数据
    }
  });
}

Target.onResourceReady()：将结果回调到主线程更新 ImageView。

二、缓存工作机制与 LRU 算法原理

1. 三级缓存架构

Glide 采用三级缓存策略，优先级从高到低：

缓存层级	实现方式	作用场景
活动资源	`WeakReference` 弱引用集合	正在使用的资源（如当前显示的图片）
内存缓存	`LruResourceCache`（LRU 算法）	高频访问的已解码资源
磁盘缓存	`DiskLruCacheWrapper`（LRU 算法）	持久化存储原始或处理后的数据

2. LRU 算法原理

LRU（Least Recently Used） 是一种基于时间局部性的缓存淘汰策略，优先淘汰最久未访问的数据。

数据结构：
- 双向链表：维护访问顺序，最近访问的节点靠近头部，最久未访问的靠近尾部。
- 哈希表：以键（Key）快速定位链表节点。
操作流程：
1. 访问数据：
  - 命中缓存 → 移动节点到链表头部。
  - 未命中 → 加载数据后插入头部。
2. 淘汰数据：缓存满时删除尾部节点。

3. 内存缓存实现（LruResourceCache）

缓存大小：默认应用可用内存的 1/8（可配置）。

// MemorySizeCalculator.java
static int getMaxCacheSize(ActivityManager activityManager) {
  return activityManager.getMemoryClass() * 1024 * 1024 / 8;
}

源码关键逻辑：

// LruCache.java（Android SDK）
public class LruCache<K, V> {
  public final V get(K key) {
    synchronized (this) {
      V mapValue = map.get(key);
      if (mapValue != null) {
        hitCount++;
        return mapValue;
      }
      missCount++;
    }

    V createdValue = create(key);
    synchronized (this) {
      createCount++;
      if (createdValue != null) {
        size += safeSizeOf(key, createdValue);
        map.put(key, createdValue);
        trimToSize(maxSize); // 触发淘汰机制
      }
      return createdValue;
    }
  }

  public void trimToSize(int maxSize) {
    while (size > maxSize) {
      Map.Entry<K, V> toEvict = map.entrySet().iterator().next();
      remove(toEvict.getKey()); // 删除尾部数据
    }
  }
}

4. 磁盘缓存实现（DiskLruCacheWrapper）

文件结构：
- 日志文件（journal）：记录缓存操作（如访问、添加、删除）。
- 数据文件：每个缓存条目对应 .0（元数据）和 .1（实际数据）文件。
LRU 维护：
- 访问数据时更新日志时间戳。
- 缓存满时按 LRU 顺序删除旧文件。

5. 缓存流程图

加载请求 → 检查 Active Resources → 命中则返回
          ↓ 未命中
检查 Memory Cache → 命中则移入 Active Resources 后返回
          ↓ 未命中
检查 Disk Cache → 命中则解码后缓存到 Memory
          ↓ 未命中
从网络/本地加载 → 解码 → 缓存到 Disk 和 Memory → 加入 Active Resources

三、使用注意事项

1. 内存优化

限制图片尺寸：避免加载超大图。

Glide.with(context)
     .load(url)
     .override(500, 500) // 指定加载分辨率
     .into(imageView);

慎用自定义变换：如圆形裁剪可能导致内存激增。

2. 缓存配置

策略选择：

.diskCacheStrategy(DiskCacheStrategy.DATA)  // 仅缓存原始数据
.skipMemoryCache(true)                     // 跳过内存缓存

手动清理：

Glide.get(context).clearMemory();          // 清理内存缓存（主线程）
new Thread(() -> Glide.get(context).clearDiskCache()).start(); // 清理磁盘缓存

3. 生命周期与泄漏预防

禁止使用 ApplicationContext：失去生命周期管理可能导致泄漏。

列表复用问题：在 RecyclerView 中需手动清理旧请求：

Glide.with(context).clear(holder.imageView); // 在 onBindViewHolder 中调用

4. 网络层优化

集成 OkHttp：提升网络加载效率。

implementation 'com.github.bumptech.glide:okhttp3-integration:4.12.0'

5. 调试与监控

开启详细日志：

Glide.with(context).setLogLevel(Log.VERBOSE);

内存监控：使用 Android Profiler 观察 Bitmap 内存变化。

四、总结

Glide 通过三级缓存与LRU 算法实现高效图片加载，源码中 LruResourceCache 和 DiskLruCacheWrapper 分别管理内存与磁盘缓存。实际开发中需注意内存优化、生命周期绑定及缓存策略配置，避免常见性能问题。LRU 算法通过双向链表与哈希表的高效协作，结合时间局部性原理，显著提升了缓存命中率，是 Glide 高性能的核心保障。