题目
运用你所掌握的数据结构，设计和实现一个 LRU (最近最少使用) 缓存机制 。
实现 LRUCache 类：
LRUCache(int capacity)以正整数作为容量capacity初始化 LRU 缓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)如果关键字已经存在，则变更其数据值；如果关键字不存在，则插入该组「关键字-值」。当缓存容量达到上限时，它应该在写入新数据之前删除最久未使用的数据值，从而为新的数据值留出空间。
进阶：你是否可以在O(1) 时间复杂度内完成这两种操作？
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
提示：
- 1 <= capacity <= 3000
- 0 <= key <= 10000
- 0 <= value <= 105
- 最多调用 2 * 105 次 get 和 put
来源：力扣（LeetCode）
链接：https://leetcode-cn.com/problems/lru-cache
使用双向链表和哈希表
思路
- get操作
- key不存在，返回-1
- key存在，将key移动到链表头部，返回key对应value
- put操作
- key不存在，使用key和value创建新节点并添加到链表头部
- 添加后未超出容量，不作处理
- 添加后超出容量，删除链表的尾节点，删除哈希表对应项
- key存在，获取key对应节点更新value，并添加节点到链表头部
- key不存在，使用key和value创建新节点并添加到链表头部
代码
class LRUCache {
class DListNode {
int key;
int value;
DListNode pre;
DListNode next;
public DListNode() {
}
public DListNode(int key, int value) {
this.key = key;
this.value = value;
}
}
private int size;
private int capacity;
private Map<Integer, DListNode> cache;
// 使用伪头部和伪尾部节点
private DListNode head, tail;
public LRUCache(int capacity) {
this.size = 0;
this.capacity = capacity;
this.cache = new HashMap<>();
this.head = new DListNode();
this.tail = new DListNode();
head.next = tail;
tail.pre = head;
}
public int get(int key) {
DListNode node = cache.get(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;
}
public void put(int key, int value) {
DListNode node = cache.get(key);
if (node == null) {
// 如果 key 不存在，创建一个新的节点
DListNode tmp = new DListNode(key, value);
// 添加进哈希表
cache.put(key, tmp);
// 添加至双向链表的头部
addToHead(tmp);
size++;
if (size > capacity) {
// 如果超出容量，删除双向链表的尾部节点
DListNode tail = removeTail();
// 删除哈希表中对应的项
cache.remove(tail.key);
size--;
}
}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);
}
}
private void addToHead(DListNode node) {
node.next = head.next;
node.pre = head;
head.next = node;
node.next.pre = node;
}
private void removeNode(DListNode node) {
node.pre.next = node.next;
node.next.pre = node.pre;
}
private void moveToHead(DListNode node) {
removeNode(node);
addToHead(node);
}
private DListNode removeTail() {
DListNode res = tail.pre;
removeNode(res);
return res;
}
}
/**
* Your LRUCache object will be instantiated and called as such:
* LRUCache obj = new LRUCache(capacity);
* int param_1 = obj.get(key);
* obj.put(key,value);
*/
使用LinkedHashMap
代码
class LRUCache extends LinkedHashMap<Integer, Integer>{
private int capacity;
public LRUCache(int capacity) {
super(capacity, 0.75F, true);
this.capacity = capacity;
}
public int get(int key) {
return super.getOrDefault(key, -1);
}
public void put(int key, int value) {
super.put(key, value);
}
@Override
protected boolean removeEldestEntry(Map.Entry<Integer, Integer> eldest) {
return size() > capacity;
}
}