面試再也不怕，20行Python代碼幫你搞懂LRU算法

LRU算法在後端工程師面試中，是一個比較常出現的題目，這篇文章帶你們一塊兒，理解LRU算法，並最終用Python輕鬆實現一個基於LRU算法的緩存。

緩存是什麼

先看一張圖，當咱們訪問網頁，瀏覽器會給服務器發請求，服務器會通過一系列的運算，把頁面返回給瀏覽器。

當有多個瀏覽器同時訪問的時候，就會在短期內發起多個請求，而服務器對每個請求都要進行一系列相同的操做。重複工做不只浪費資源，還可能致使響應速度變慢。

而緩存則能夠把服務器返回的頁面保存下來，當有其餘的瀏覽器再訪問時候，就沒必要勞服務器大駕，直接由緩存返回頁面。爲了保證響應速度，緩存一般是基於比較昂貴的硬件，好比RAM，這就決定了咱們很難用大量的緩存把全部的頁面都存下來，當剛好沒有緩存瀏覽器請求的頁面時，依然須要請求服務器。因爲緩存容量有限，而數據量無限（互聯網天天新產生的頁面數沒法估計），就須要把好剛用在刀刃上，緩存那些最有用的信息。

LRU是什麼

LRU是一種緩存淘汰算法（在OS中也叫內存換頁算法），因爲緩存空間是有限的，因此要淘汰緩存中不經常使用的數據，留下經常使用的數據，達到緩存效率的最大化。LRU就是這樣一種決定「淘汰誰留下誰」的算法，LRU是Least recently used的縮寫，從字面意思「最近最少使用」，咱們就能夠理解LRU的淘汰規則。

LRU的淘汰邏輯

咱們用一張圖來描述LRU的淘汰邏輯，圖中的緩存是一個列表結構，上面是頭結點下面是尾節點，緩存容量爲8（8個小格子）：

• 有新數據（意味着數據以前沒有被緩存過）時，加入到列表頭
• 緩存到達最大容量時，須要淘汰數據多出來的數據，此時淘汰列表尾部的數據
• 當緩存中有數據被命中，則將數據移動到列表頭部（至關於新加入緩存）

按上面的邏輯咱們能夠看到，一個數據若是常常被訪問就會不斷地被移動到列表頭部，不會被淘汰出緩存，而越不常常訪問的數據，越容易被擠出緩存。

20行Python代碼實踐LRU

接下來咱們用Python來實現一個採用LRU算法的緩存。

從前面的文章中咱們能夠知道，緩存簡化下來就兩個功能，一個是往裏裝數據（緩存數據），一個是往外吐數據（命中緩存），因此咱們的緩存對外只須要put和get兩個接口就能夠了。

按照前面的示意圖，緩存內部咱們只須要有一個列表（list）就能夠實現LRU邏輯，不過用列表雖然能實現邏輯，可是在判斷是否命中緩存時，速度可能很是慢（列表須要遍歷才能知道數據有沒有在裏面）。在Python中，咱們能夠用基於hash的結構，好比字典（dict）或集合（set），來快速判斷數據是否存在，解決列表實現的性能問題。可是字典和集合又是沒有順序的，若是能有一種既能排序，又是基於hash存儲的數據結構，就行了。

在Python的collections包中，已經內置了這種實用的結構OrderedDict，OrderedDict是dict的子類，可是存儲在內部的元素是有序的（列表的特色）。

解決了數據結構的問題，咱們能夠直接上手寫邏輯了，代碼以下：

class LRUCache:

    def __init__(self, capacity):
        self.capacity = capacity
        self.queue = collections.OrderedDict()
    
    def get(self, key):
        if key not in self.queue:
            return -1 // 要找的數據不在緩存中返回-1
        value = self.queue.pop(key) // 將命中緩存的數據移除
        self.queue[key] = value // 將命中緩存的數據從新添加到頭部
        return self.queue[key]
        

    def put(self, key, value):
        if key in self.queue: // 若是已經在緩存中，則先移除老的數據
            self.queue.pop(key)
        elif len(self.queue.items()) == self.capacity:
            self.queue.popitem(last=False) // 若是不在緩存中而且到達最大容量，則把最後的數據淘汰
        self.queue[key] = value // 將新數據添加到頭部
複製代碼

下次面試在遇到LRU的題目，是否是就成竹在胸了？

掃碼關注Python私房菜