[大数据]对LRU算法的理解和应用场景

背景

最近没事看公司自研ssr框架feb，注意到里面页面级缓存和组件级缓存用到了LRU缓存，这让我想起了之前看keep-alive源码，貌似也是使用了LRU缓存。之前看过redis的文章，好像也是基于这个理念实现的；在刷leetcode的时候，有时候也会碰到类似LRU的题目。今天记录一下LRU算法，加深我们对这块的印象。

研究

LRU （Least recently used：最近最少使用）最近被访问的，被访问的几率变大。最少被访问的，当磁盘被写满时，会被清除。

一张图来理解一下：

1. 假设我们有一块内存，一共能够存储 5 数据块；
2. 依次向内存存入A、B、C、D、E，此时内存已经存满；
3. 再次插入新的数据时，会将在内存存放时间最久的数据A淘汰掉；
4. 当我们在外部再次读取数据B时，已经处于末尾的B会被标记为活跃状态，提到头部，数据C就变成了存放时间最久的数据；
5. 再次插入新的数据G，存放时间最久的数据C就会被淘汰掉；

算法实现

class LRUCache {
  // 存储数据
  put (key, value) {
    if (this.cache[key]) {
      // 如果该 key 之前存在，将 key 重新激活
      this.active(key)
      this.cache[key] = value
      // 而且此时缓存的长度不会发生变化
      // 所以不需要进行后续的长度判断，可以直接返回
      return
    }
?
    // 存储之前需要先判断长度是否达到上限
    if (this.list.length >= this.capacity) {
      // 由于每次存储后，都会将 key 放入 list 最后，
      // 所以，需要取出第一个 key，并删除cache中的数据。
      const latest = this.list.shift()
      delete this.cache[latest]
    }
    // 写入缓存
    this.cache[key] = value
    // 写入缓存后，需要将 key 放入 list 的最后
    this.list.push(key)
  }
}