之前在写链表那一篇文章的时候写过基于链表来实现LRU缓存淘汰算法，
这是链接https://mp.csdn.net/mp_blog/creation/editor/120435048
下面来看一看LinkedHashMap中的哈希表和链表是如何组合实现LRU缓存淘汰算法的。
LRU缓存淘汰算法
先来回顾一下基于链表实现的
我们维护一个有序的链表，越靠近链表尾部的结点存储越早访问的数据（头结点存储最新访问的数据，尾结点存储最早访问的数据），并且记录头指针和尾指针，分别指向链表的头结点和尾结点。因为缓存大小有限，当缓存空间不够，需要淘汰数据的时候，我们就直接将链表尾部的结点删除。
当要缓存某个数据的时候，现在链表中查找这个元素，如果没找到，则直接将数据放到链表的头部。如果找到了，就直接放到链表的头部。此时因为要遍历查找数据，时间复杂度就会为O(n)。
概况的说，一个缓存系统主要包含下面几个操作
在缓存中添加一个数据
在缓存中删除一个数据
在缓存中查找一个数据
这三个操作都涉及在链表中查找数据，但是如果适用链表的话，时间复杂度就会为O(n)，我们可不可以这样，在原有链表的基础上假设一个哈希表作为索引，哈希表中的每个结点额外存储一个指向有序链表的指针。通过哈希表就能快速查找到需要删除的有序链表的结点。如图。
?下面通过代码来看看如何在缓存中查找，删除，添加一个数据。
package com.example.demo;
import java.util.HashMap;
import java.util.Map;
public class LRUCache {
private class DLinkedNode{
public int key;
public int value;
public DLinkedNode pre;
public DLinkedNode next;
public DLinkedNode(int key,int value){
this.key = key;
this.value = value;
}
}
private Map<Integer,DLinkedNode> cache = new HashMap<>();
private int size;
private int capacity;
private DLinkedNode head;
private DLinkedNode tail;
public LRUCache(int capacity){
this.size = 0;
this.capacity = capacity;
this.head = new DLinkedNode(-1,-1);
this.tail = new DLinkedNode(-1,-1);
this.head.next = tail;
this.tail.pre = head;
this.head.pre = null;
this.tail.next = null;
}
private void removeNode(DLinkedNode node){
node.next.pre = node.pre;
node.pre.next = node.next;
}
private void addNodeAtHead(DLinkedNode node){
node.next = head.next;
tail.pre = node;
head.next = node;
node.pre = head;
}
//查找数据，并移到表头
public int get(int key){
if(size == 0){
return -1;//缓存中没有数据
}
//要查找结点
DLinkedNode dLinkedNode = cache.get(key);
if(dLinkedNode == null){
return -1;
}
removeNode(dLinkedNode);
addNodeAtHead(dLinkedNode);
return dLinkedNode.value;
}
//删除
public void remove(int key){
DLinkedNode dLinkedNode = cache.get(key);
if(dLinkedNode != null){
removeNode(dLinkedNode);
cache.remove(key);
return;
}
}
//插入
public void put(int key,int value){
DLinkedNode dLinkedNode = cache.get(key);
//如果数据已经存在，直接移到到表头
if(dLinkedNode != null){
dLinkedNode.value = value;
removeNode(dLinkedNode);
addNodeAtHead(dLinkedNode);
return;
}
//大小等于哈希表容量时，删除尾结点
if(size == capacity){
cache.remove(tail.pre.key);
removeNode(tail.pre);
size--;
}
DLinkedNode dLinkedNode1 = cache.get(key);
addNodeAtHead(dLinkedNode1);
cache.put(key,dLinkedNode1);
size++;
}
}
Java LinkedHashMap
前面我们讲了两个散列表和链表结合的例子，现在我们再来看另外一个，Java 中LinkedHashMap 这种容器。
我们之前讲过，HashMap 底层是通过散列表这种数据结构实现的。而 LinkedHashMap 前面比 HashMap 多了一 个“Linked”，这里的“Linked”是不是说，LinkedHashMap 是一个通过链表法解决散列冲突的散列表呢？
实际上，LinkedHashMap 并没有这么简单，其中的“Linked”也并不仅仅代表它是通过链表法解决散列冲突的。
我们先来看一段代码。你觉得这段代码会以什么样的顺序打印 3，1，5，2 这几个 key
呢？原因又是什么呢？
?
1 HashMap<Integer, Integer> m = new LinkedHashMap<>();
2 m.put(3, 11);
3 m.put(1, 12);
4 m.put(5, 23);
5 m.put(2, 22);
6
7 for (Map.Entry e : m.entrySet()) {
8 System.out.println(e.getKey());
9 }
我先告诉你答案，上面的代码会按照数据插入的顺序依次来打印，也就是说，打印的顺序就
是 3，1，5，2。你有没有觉得奇怪？散列表中数据是经过散列函数打乱之后无规律存储
的，这里是如何实现按照数据的插入顺序来遍历打印的呢？
你可能已经猜到了，LinkedHashMap 也是通过散列表和链表组合在一起实现的。实际
上，它不仅支持按照插入顺序遍历数据，还支持按照访问顺序来遍历数据。你可以看下面这
段代码：
?
// 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
2 HashMap<Integer, Integer> m = new LinkedHashMap<>(10, 0.75f, true);
3 m.put(3, 11);
4 m.put(1, 12);
5 m.put(5, 23);
6 m.put(2, 22);
7
8 m.put(3, 26);
9 m.get(5);
10
11 for (Map.Entry e : m.entrySet()) {
12 System.out.println(e.getKey());
13 }
这段代码打印的结果是 1，2，3，5。我来具体分析一下，为什么这段代码会按照这样顺序
来打印。
每次调用 put() 函数，往 LinkedHashMap 中添加数据的时候，都会将数据添加到链表的
尾部，所以，在前四个操作完成之后，链表中的数据是下面这样：
?
在第 8 行代码中，再次将键值为 3 的数据放入到 LinkedHashMap 的时候，会先查找这个
键值是否已经有了，然后，再将已经存在的 (3,11) 删除，并且将新的 (3,26) 放到链表的尾
部。所以，这个时候链表中的数据就是下面这样：
?
当第 9 行代码访问到 key 为 5 的数据的时候，我们将被访问到的数据移动到链表的尾部。
所以，第 9 行代码之后，链表中的数据是下面这样：
?
所以，最后打印出来的数据是 1，2，3，5。从上面的分析，你有没有发现，按照访问时间
排序的 LinkedHashMap 本身就是一个支持 LRU 缓存淘汰策略的缓存系统？实际上，它们
两个的实现原理也是一模一样的。我也就不再啰嗦了。
我现在来总结一下，实际上，
LinkedHashMap 是通过双向链表和散列表这两种数据结构
组合实现的。LinkedHashMap 中的“Linked”实际上是指的是双向链表，并非指用链表
法解决散列冲突
。
部分引用《数据结构与算法之美》