LruCache DiskLruCache 缓存 简介 案例
目录
LruCache DiskLruCache 缓存 简介 案例
LruCache
关于Android的三级缓存,其中主要的就是内存缓存和硬盘缓存
,这两种缓存机制的实现都应用到了Lru算法
,这种算法就是将近期最少使用数据删掉。
缓存策略
一般来说,缓存策略主要包含缓存的添加、获取和删除
这三类操作。如何添加和获取缓存这个比较好理解,那么为什么还要删除缓存呢?这是因为不管是内存缓存还是硬盘缓存,它们的缓存大小都是有限的。当缓存满了之后,再想其添加缓存,这个时候就需要删除一些旧的缓存并添加新的缓存。
因此LRU(Least Recently Used)
缓存算法便应运而生,LRU是近期最少使用
的算法,它的核心思想是当缓存满时,会优先淘汰那些近期最少使用的缓存对象
。采用LRU算法的缓存有两种:LrhCache和DisLruCache,分别用于实现内存缓存和硬盘缓存,其核心思想都是LRU缓存算法。
LruCache 的使用
LruCache是Android 3.1所提供的一个缓存类,所以在Android中可以直接使用LruCache实现内存缓存。而DisLruCache目前在 Android 还不是Android SDK的一部分,但Android官方文档推荐使用该算法来实现硬盘缓存。
LruCache是个泛型类,主要算法原理是把最近使用的对象用强引用
(即我们平常使用的对象引用方式)存储在 LinkedHashMap 中。当缓存满时,把最近最少使用的对象从内存中移除,并提供了get和put方法来完成缓存的获取和添加操作。
LruCache的使用非常简单,我们就已图片缓存为例:
int maxMemory = (int) (Runtime.getRuntime().totalMemory()/1024);
int cacheSize = maxMemory/8; //设置LruCache缓存的大小,一般为当前进程可用容量的1/8
mMemoryCache = new LruCache<String,Bitmap>(cacheSize){
@Override
protected int sizeOf(String key, Bitmap value) {
return value.getRowBytes()*value.getHeight()/1024; //重写sizeOf方法,计算出要缓存的每张图片的大小
}
};
LruCache 的实现原理
LruCache的核心思想很好理解,就是要维护一个缓存对象列表,其中对象列表的排列方式是按照访问顺序
实现的,即一直没访问的对象,将放在队尾,即将被淘汰。而最近访问的对象将放在队头,最后被淘汰。
那么这个队列到底是由谁来维护的,前面已经介绍了是由LinkedHashMap
来维护。
LinkedHashMap 简介
LinkedHashMap是由数组+双向链表
的数据结构来实现的,其中双向链表的结构可以实现访问顺序和插入顺序
,使得LinkedHashMap中的<key,value>
对按照一定顺序排列起来。
可以通过构造函数来指定LinkedHashMap中双向链表的结构是访问顺序
还是插入顺序
:
public LinkedHashMap(int initialCapacity, float loadFactor, boolean accessOrder) {
super(initialCapacity, loadFactor);
this.accessOrder = accessOrder;
}
其中accessOrder设置为true则为访问顺序,为false,则为插入顺序。
以具体例子解释:
public static final void main(String[] args) {
LinkedHashMap<Integer, Integer> map = new LinkedHashMap<>(0, 0.75f, true); //访问顺序
map.put(0, 0);
map.put(1, 1);
map.put(2, 2);
map.put(3, 3);
map.put(4, 4);
map.put(5, 5);
map.put(6, 6);
map.get(1);
map.get(2);
for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
System.out.println(entry.getKey() + ":" + entry.getValue());
}
}
输出结果:
0:0
3:3
4:4
5:5
6:6
1:1
2:2
即最近访问的最后输出
,那么这就正好满足的LRU缓存算法的思想。可见LruCache巧妙实现,就是利用了LinkedHashMap的这种数据结构。
构造函数
下面我们在LruCache源码中具体看看,怎么应用LinkedHashMap来实现缓存的添加,获得和删除的。
public LruCache(int maxSize) {
if (maxSize <= 0) {
throw new IllegalArgumentException("maxSize <= 0");
}
this.maxSize = maxSize;
this.map = new LinkedHashMap<K, V>(0, 0.75f, true); //访问顺序
}
从LruCache的构造函数中可以看到,正是用了LinkedHashMap的访问顺序
。
put 方法
public final V put(K key, V value) {
//不可为空,否则抛出异常
if (key == null || value == null) {
throw new NullPointerException("key == null || value == null");
}
V previous;
synchronized (this) {
putCount++;//插入的缓存对象值加1
size += safeSizeOf(key, value); //增加已有缓存的大小,计算方式最终是调用 sizeOf 方法
previous = map.put(key, value); //向map中加入缓存对象,并返回此缓存对象
if (previous != null) size -= safeSizeOf(key, previous); //如果已有缓存对象,则缓存大小恢复到之前
}
if (previous != null) entryRemoved(false, key, previous, value); //entryRemoved()是个空方法,可以自行实现
trimToSize(maxSize); //调整缓存大小(关键方法)
return previous;
}
可以看到put()方法并没有什么难点,重要的就是在添加过缓存对象后,调用trimToSize()
方法,来判断缓存是否已满,如果满了就要删除近期最少使用的缓存对象。
trimToSize 方法:
public void trimToSize(int maxSize) {
while (true) {
K key;
V value;
synchronized (this) {
if (size < 0 || (map.isEmpty() && size != 0)) {
throw new IllegalStateException(getClass().getName() + ".sizeOf() is reporting inconsistent results!");
}
if (size <= maxSize || map.isEmpty()) {
break; //如果缓存大小size小于最大缓存,或者map为空,不需要再删除缓存对象,跳出循环
}
Map.Entry<K, V> toEvict = map.entrySet().iterator().next(); //获取第一个对象,即队尾的元素,近期最少访问的元素
key = toEvict.getKey();
value = toEvict.getValue();
map.remove(key); //删除该对象
size -= safeSizeOf(key, value); //更新缓存大小
evictionCount++;
}
entryRemoved(true, key, value, null);
}
}
trimToSize()方法不断地删除LinkedHashMap中队尾的元素,即近期最少访问的,直到缓存大小小于最大值。
get 方法
当调用LruCache
的get()
方法获取集合中的缓存对象时,就代表访问了一次该元素,将会更新队列,保持整个队列是按照访问顺序排序。这个更新过程就是在LinkedHashMap
中的get()
方法中完成的。
先看LruCache的get()方法:
public final V get(K key) {
if (key == null) throw new NullPointerException("key == null"); //key为空抛出异常
V mapValue;
synchronized (this) {
mapValue = map.get(key); //获取对应的缓存对象,get()方法会实现将访问的元素更新到队列头部的功能
if (mapValue != null) {
hitCount++;
return mapValue;
}
missCount++;
}
}
其中LinkedHashMap的get()方法如下:
public V get(Object key) {
LinkedHashMapEntry<K,V> e = (LinkedHashMapEntry<K,V>)getEntry(key);
if (e == null) return null;
e.recordAccess(this); //实现排序的关键方法
return e.value;
}
recordAccess()方法如下:
void recordAccess(HashMap<K,V> m) {
LinkedHashMap<K,V> lm = (LinkedHashMap<K,V>)m;
if (lm.accessOrder) { //判断是否是访问排序
lm.modCount++;
remove();//删除此元素
addBefore(lm.header); //将此元素移动到队列的头部
}
}
总结
由此可见LruCache中维护了一个集合LinkedHashMap
,该LinkedHashMap是以访问顺序
排序的。
- 当调用
put()
方法时,就会在结合中添加元素,并调用trimToSize()
判断缓存是否已满,如果满了就用LinkedHashMap的迭代器删除队尾元素,即近期最少访问的元素。 - 当调用
get()
方法访问缓存对象时,就会调用LinkedHashMap的get()方法获得对应集合元素,同时会更新该元素到队头。
LruCache 源码
类说明文档
A cache that holds strong references to a limited number of values. Each time a value is accessed, it is moved to the head of a queue. When a value is added to a full cache, the value at the end of that queue is evicted and may become eligible for garbage collection.
包含对有限数量值的强引用的缓存。 每次访问一个值时,此Item就会被移动到队列的头部。 将值添加到已满的cache时,该队列末尾的值将被移除,并且可能符合垃圾回收的条件。
If your cached values hold resources that need to be explicitly released, override entryRemoved.
如果你cache中的某个值需要明确释放,重写entryRemoved()方法
If a cache miss should be computed on demand for the corresponding keys, override create(). This simplifies the calling code, allowing it to assume a value will always be returned, even when there's a cache miss.
如果应根据需要计算cache中对应的键,则覆盖create()方法。 这简化了调用代码,允许它假设将始终返回一个值,即使存在高速缓存未命中。
By default, the cache size is measured in the number of entries. Override sizeOf to size the cache in different units.
默认cache大小是测量的item的数量,重写sizeof计算不同item的大小。
For example, this cache is limited to 4MiB of bitmaps:
int cacheSize = 4 * 1024 * 1024; // 4MiB
LruCache<String, Bitmap> bitmapCache = new LruCache<String, Bitmap>(cacheSize) {
protected int sizeOf(String key, Bitmap value) {
return value.getByteCount();
}
}
This class is thread-safe. Perform multiple cache operations atomically by synchronizing on the cache:
这个类是线程安全的。 通过在缓存上同步以原子方式执行多个缓存操作:
synchronized (cache) {
if (cache.get(key) == null) {
cache.put(key, value);
}
}
This class does not allow null to be used as a key or value. A return value of null from get、put、remove is unambiguous: the key was not in the cache.
不允许key或者value为null。当get(),put(),remove()返回值为null时,明确的说明此key不在cache中
源码
import android.annotation.SuppressLint;
import java.util.LinkedHashMap;
import java.util.Map;
public class LruCache<K, V> {
private final LinkedHashMap<K, V> map;
private int size; //已经存储的大小,Size of this cache in units. Not necessarily the number of elements.
private int maxSize; //规定的最大存储空间
private int putCount; //put的次数
private int createCount; //create的次数
private int evictionCount; //回收的次数
private int hitCount; //命中的次数
private int missCount; //丢失的次数
/**
* @param maxSize for caches that do not override {@link #sizeOf}, this is
* the maximum number of entries in the cache. For all other caches,
* this is the maximum sum of the sizes of the entries in this cache.
*/
public LruCache(int maxSize) {
if (maxSize <= 0) {
throw new IllegalArgumentException("maxSize <= 0");
}
this.maxSize = maxSize;
this.map = new LinkedHashMap<K, V>(0, 0.75f, true);
}
/**
* Returns the value for {@code key} if it exists in the cache or can be
* created by {@code #create}. If a value was returned, it is moved to the
* head of the queue. This returns null if a value is not cached and cannot be created.
* 通过key返回相应的item,或者创建返回相应的item。相应的item会移动到队列的头部,
* 如果item的value没有被cache或者不能被创建,则返回null。
*/
public final V get(K key) {
if (key == null) {
throw new NullPointerException("key == null");
}
V mapValue;
synchronized (this) {
mapValue = map.get(key);
if (mapValue != null) {
hitCount++; //命中
return mapValue;
}
missCount++; //丢失
}
/*
* Attempt to create a value. This may take a long time, and the map may
* be different when create() returns. If a conflicting value was added
* to the map while create() was working, we leave that value in the map
* and release the created value. 如果丢失了就试图创建一个item
*/
V createdValue = create(key);
if (createdValue == null) {
return null;
}
synchronized (this) {
createCount++;//创建++
mapValue = map.put(key, createdValue);
if (mapValue != null) {
// There was a conflict so undo that last put
//如果前面存在oldValue,那么撤销put()
map.put(key, mapValue);
} else {
size += safeSizeOf(key, createdValue);
}
}
if (mapValue != null) {
entryRemoved(false, key, createdValue, mapValue);
return mapValue;
} else {
trimToSize(maxSize);
return createdValue;
}
}
/**
* Caches {@code value} for {@code key}. The value is moved to the head of
* the queue.
*
* @return the previous value mapped by {@code key}.
*/
public final V put(K key, V value) {
if (key == null || value == null) {
throw new NullPointerException("key == null || value == null");
}
V previous;
synchronized (this) {
putCount++;
size += safeSizeOf(key, value);
previous = map.put(key, value);
if (previous != null) { //返回的先前的value值
size -= safeSizeOf(key, previous);
}
}
if (previous != null) {
entryRemoved(false, key, previous, value);
}
trimToSize(maxSize);
return previous;
}
/**
* @param maxSize the maximum size of the cache before returning. May be -1
* to evict even 0-sized elements.
* 清空cache空间
*/
private void trimToSize(int maxSize) {
while (true) {
K key;
V value;
synchronized (this) {
if (size < 0 || (map.isEmpty() && size != 0)) {
throw new IllegalStateException(getClass().getName() + ".sizeOf() is reporting inconsistent results!");
}
if (size <= maxSize) {
break;
}
Map.Entry<K, V> toEvict = map.entrySet().iterator().next();
if (toEvict == null) {
break;
}
key = toEvict.getKey();
value = toEvict.getValue();
map.remove(key);
size -= safeSizeOf(key, value);
evictionCount++;
}
entryRemoved(true, key, value, null);
}
}
/**
* Removes the entry for {@code key} if it exists.
* 删除key相应的cache项,返回相应的value
*
* @return the previous value mapped by {@code key}.
*/
public final V remove(K key) {
if (key == null) {
throw new NullPointerException("key == null");
}
V previous;
synchronized (this) {
previous = map.remove(key);
if (previous != null) {
size -= safeSizeOf(key, previous);
}
}
if (previous != null) {
entryRemoved(false, key, previous, null);
}
return previous;
}
/**
* Called for entries that have been evicted or removed. This method is
* invoked when a value is evicted to make space, removed by a call to
* {@link #remove}, or replaced by a call to {@link #put}. The default
* implementation does nothing.
* 当item被回收或者删掉时调用。改方法当value被回收释放存储空间时被remove调用,
* 或者替换item值时put调用,默认实现什么都没做。
* <p>The method is called without synchronization: other threads may
* access the cache while this method is executing.
*
* @param evicted true if the entry is being removed to make space, false
* if the removal was caused by a {@link #put} or {@link #remove}.
* true---为释放空间被删除;false---put或remove导致
* @param newValue the new value for {@code key}, if it exists. If non-null,
* this removal was caused by a {@link #put}. Otherwise it was caused by
* an eviction or a {@link #remove}.
*/
protected void entryRemoved(boolean evicted, K key, V oldValue, V newValue) {
}
/**
* Called after a cache miss to compute a value for the corresponding key.
* Returns the computed value or null if no value can be computed. The
* default implementation returns null.
* 当某Item丢失时会调用到,返回计算的相应的value或者null
* <p>The method is called without synchronization: other threads may
* access the cache while this method is executing.
*
* <p>If a value for {@code key} exists in the cache when this method
* returns, the created value will be released with {@link #entryRemoved}
* and discarded. This can occur when multiple threads request the same key
* at the same time (causing multiple values to be created), or when one
* thread calls {@link #put} while another is creating a value for the same
* key.
*/
protected V create(K key) {
return null;
}
private int safeSizeOf(K key, V value) {
int result = sizeOf(key, value);
if (result < 0) {
throw new IllegalStateException("Negative size: " + key + "=" + value);
}
return result;
}
/**
* Returns the size of the entry for {@code key} and {@code value} in
* user-defined units. The default implementation returns 1 so that size
* is the number of entries and max size is the maximum number of entries.
* 返回用户定义的item的大小,默认返回1代表item的数量,最大size就是最大item值
* <p>An entry's size must not change while it is in the cache.
*/
protected int sizeOf(K key, V value) {
return 1;
}
/**
* Clear the cache, calling {@link #entryRemoved} on each removed entry.
* 清空cacke
*/
public final void evictAll() {
trimToSize(-1); // -1 will evict 0-sized elements
}
/**
* For caches that do not override {@link #sizeOf}, this returns the number
* of entries in the cache. For all other caches, this returns the sum of
* the sizes of the entries in this cache.
*/
public synchronized final int size() {
return size;
}
/**
* For caches that do not override {@link #sizeOf}, this returns the maximum
* number of entries in the cache. For all other caches, this returns the
* maximum sum of the sizes of the entries in this cache.
*/
public synchronized final int maxSize() {
return maxSize;
}
/**
* Returns the number of times {@link #get} returned a value that was
* already present in the cache.
*/
public synchronized final int hitCount() {
return hitCount;
}
/**
* Returns the number of times {@link #get} returned null or required a new
* value to be created.
*/
public synchronized final int missCount() {
return missCount;
}
/**
* Returns the number of times {@link #create(Object)} returned a value.
*/
public synchronized final int createCount() {
return createCount;
}
/**
* Returns the number of times {@link #put} was called.
*/
public synchronized final int putCount() {
return putCount;
}
/**
* Returns the number of values that have been evicted.
* 返回被回收的数量
*/
public synchronized final int evictionCount() {
return evictionCount;
}
/**
* Returns a copy of the current contents of the cache, ordered from least
* recently accessed to most recently accessed. 返回当前cache的副本,从最近最少访问到最多访问
*/
public synchronized final Map<K, V> snapshot() {
return new LinkedHashMap<K, V>(map);
}
@SuppressLint("DefaultLocale")
@Override
public synchronized final String toString() {
int accesses = hitCount + missCount;
int hitPercent = accesses != 0 ? (100 * hitCount / accesses) : 0;
return String.format("LruCache[maxSize=%d,hits=%d,misses=%d,hitRate=%d%%]", maxSize, hitCount, missCount, hitPercent);
}
}
DiskLruCache
compile 'com.jakewharton:disklrucache:2.0.2'
LruCache 只是管理了内存中图片的存储与释放,如果图片从内存中被移除的话,那么又需要从网络上重新加载一次图片,这显然非常耗时,对此,Google 又提供了一套硬盘缓存的解决方案:DiskLruCache(其实是 JakeWharton 编写的,但获得了 Google 官方认证)。
由于 DiskLruCache 并不是由 Google 官方编写的,所以这个类并没有被包含在 Android API 当中,我们需要将这个类从网上下载下来,然后手动添加到项目当中。
缓存路径的选择
虽然我们可以自由的设定使用 DiskLruCache 时数据的缓存位置,但是通常情况下都会将缓存的位置选择为 /sdcard/Android/data/包名/cache
目录下,因为
- 默认这是存储在SD卡上的
- 这被Android系统认定为是应用程序的缓存路径,可以被系统或其他缓存清理工具清除
- 当程序被卸载的时候,这里的数据会自动一起被清除掉
另外,我们也需要考虑如果这个手机没有SD卡,或者SD正好被移除了的情况。
/**
* 根据传入的uniqueName(子目录)获取硬盘缓存的路径地址
*/
public File getDiskCacheDir(Context context, String uniqueName) {
String cachePath;
//当SD卡【存在】或者SD卡【不可被移除】时
if (Environment.MEDIA_MOUNTED.equals(Environment.getExternalStorageState()) || !Environment.isExternalStorageRemovable()) {
cachePath = context.getExternalCacheDir().getPath();//【SDCard/Android/data/包名/cache/】目录
} else cachePath = context.getCacheDir().getPath();//【/data/data/包名/cache/】目录
return new File(cachePath + File.separator + uniqueName);
}
获取实例及初始化
如果我们要创建一个它的实例,需要调用它的open()方法:
public static DiskLruCache open(File directory, int appVersion, int valueCount, long maxSize)
参数:
- 数据的缓存地址
- 当前应用程序的版本号【context.getPackageManager().getPackageInfo(context.getPackageName(), 0).versionCode】
- 同一个key可以对应多少个缓存文件(传1即可)
- 最多可以缓存多少字节的数据。
需要注意的是,每当版本号改变,缓存路径下存储的所有数据都会被清除掉,因为DiskLruCache认为当应用程序有版本更新的时候,所有的数据都应该从网上重新获取。
一个标准的open()方法如下:
// 获取图片缓存路径
File cacheDir = getDiskCacheDir(context, "thumb");
if (!cacheDir.exists()) cacheDir.mkdirs();
// 创建DiskLruCache实例,初始化缓存数据
try {
mDiskLruCache = DiskLruCache.open(cacheDir, getAppVersion(context), 1, 10 * 1024 * 1024);
} catch (IOException e) {
e.printStackTrace();
}
MD5生成文件名
我们将网络图片保存到本地时,需要指定一个文件名,并且此文件名必须要和图片的URL是一 一对应的,那么用什么方式实现呢?
直接使用URL来作为key?不合适,因为图片URL中可能包含一些特殊字符,这些字符有可能在命名文件时是不合法的。
最简单的做法就是将图片的URL进行MD5编码,编码后的字符串肯定是唯一的,并且只会包含0-F这样的字符,完全符合文件的命名规则。
/**
* 使用MD5算法对传入的key进行加密并返回。
*/
public String hashKeyForDisk(String key) {
String cacheKey;
try {
//为应用程序提供信息摘要算法的功能,如 MD5 或 SHA 算法。信息摘要是安全的单向哈希函数,它接收任意大小的数据,并输出固定长度的哈希值。
MessageDigest mDigest = MessageDigest.getInstance("MD5");
mDigest.update(key.getBytes());//使用指定的 byte 数组更新摘要
byte[] bytes = mDigest.digest();//通过执行诸如填充之类的最终操作完成哈希计算,返回存放哈希值结果的 byte 数组
StringBuilder sb = new StringBuilder();
for (int i = 0; i < bytes.length; i++) {
String hex = Integer.toHexString(0xFF & bytes[i]);//以十六进制无符号整数形式返回一个整数参数的字符串表示形式
if (hex.length() == 1) sb.append('0');
sb.append(hex);
}
cacheKey = sb.toString();
} catch (NoSuchAlgorithmException e) {
cacheKey = String.valueOf(key.hashCode());
}
return cacheKey;
}
写入缓存
写入的操作是借助DiskLruCache.Editor
这个类完成的,需要调用DiskLruCache的edit()方法来获取实例。
接口如下:
public Editor edit(String key) throws IOException
参数key即为缓存文件的文件名
一般,我们这么写:
public DiskLruCache.Editor editor(String key) {
try {
return mDiskLruCache.edit(hashKeyForDisk(key));
} catch (IOException e) {
e.printStackTrace();
}
return null;
}
有了DiskLruCache.Editor
的实例之后,我们可以调用它的newOutputStream()
方法来创建一个输出流,newOutputStream()
方法接收一个index参数,由于前面在设置valueCount的时候指定的是1,所以这里index传0就可以了。
在写入操作执行完之后,我们还需要调用一下commit()
方法进行提交才能使写入生效,调用abort()
方法的话则表示放弃此次写入。
保存 字符串
到缓存中
public void put(String key, String value) {
DiskLruCache.Editor edit = null;
BufferedWriter bw = null;
try {
edit = editor(key);
if (edit == null) return;
OutputStream os = edit.newOutputStream(0);
bw = new BufferedWriter(new OutputStreamWriter(os));
bw.write(value);
edit.commit();//write CLEAN
} catch (IOException e) {
e.printStackTrace();
try {
edit.abort();//write REMOVE
} catch (IOException e1) {
e1.printStackTrace();
}
} finally {
Util.closeQuietly(bw);
}
}
保存 byte数组
到缓存中
public void put(String key, byte[] value) {
OutputStream out = null;
DiskLruCache.Editor editor = null;
try {
editor = editor(key);
if (editor == null) return;
out = editor.newOutputStream(0);
out.write(value);
out.flush();
editor.commit();//write CLEAN
} catch (Exception e) {
e.printStackTrace();
try {
editor.abort();//write REMOVE
} catch (IOException e1) {
e1.printStackTrace();
}
} finally {
Util.closeQuietly(out);
}
}
读取缓存
读取的操作是借助DiskLruCache.Snapshot
这个类完成的,需要调用DiskLruCache的get()
方法来获取实例。
接口如下:
public synchronized Snapshot get(String key) throws IOException
参数就是将图片URL进行MD5编码后的值
通过Snapshot的getInputStream()方法可以得到缓存文件的输入流。
同样地,getInputStream()方法也需要传一个index参数,这里传入0就好。
public InputStream get(String key) {
try {
DiskLruCache.Snapshot snapshot = mDiskLruCache.get(hashKeyForDisk(key));
if (snapshot == null) {//not find entry , or entry.readable = false
Log.e(TAG, "not find entry , or entry.readable = false");
return null;
}
//write READ
return snapshot.getInputStream(0);
} catch (IOException e) {
e.printStackTrace();
return null;
}
}
其他API
size()
这个方法会返回当前缓存路径下所有缓存数据的总字节数,以byte为单位,如果应用程序中需要在界面上显示当前缓存数据的总大小,就可以通过调用这个方法计算出来。
flush()
这个方法用于将内存中的操作记录同步到日志文件(也就是journal文件)当中。
这个方法非常重要,因为DiskLruCache能够正常工作的前提就是要依赖于journal文件中的内容。并不是每次写入缓存都要调用一次flush()方法的,频繁地调用并不会带来任何好处,只会额外增加同步journal文件的时间。比较标准的做法就是在Activity的onPause()方法中去调用一次flush()方法就可以了。
close()
这个方法用于将DiskLruCache关闭掉,是和open()方法对应的一个方法。
关闭掉了之后就不能再调用DiskLruCache中任何操作缓存数据的方法,通常只应该在Activity的onDestroy()方法中去调用close()方法。
delete()
这个方法用于将所有的缓存数据全部删除,比如很多应用中的那个手动清理缓存功能,其实只需要调用一下DiskLruCache的delete()方法就可以实现了。
remove(String key)
这个方法用于移除指定的缓存,我们并不应该经常去调用它,因为你完全不需要担心缓存的数据过多从而占用SD卡太多空间的问题,DiskLruCache会根据我们在调用open()方法时设定的缓存最大值来自动删除多余的缓存。只有你确定某个key对应的缓存内容已经过期,需要从网络获取最新数据的时候才应该调用remove()方法来移除缓存。
日志文件
缓存目录下会自动生成一个名为journal
的日志文件,程序对每张图片的操作记录都存放在这个文件中,基本上看到journal这个文件就标志着该程序使用了DiskLruCache技术了。
其内容片断如下
前五行被称为journal文件的头。
- 第一行是个固定的字符串"libcore.io.DiskLruCache",标志着我们使用的是DiskLruCache技术。
- 第二行是DiskLruCache的版本号,这个值是恒为1的。
- 第三行是应用程序的版本号,我们在open()方法里传入的版本号是什么这里就会显示什么。
- 第四行是valueCount,这个值也是在open()方法中传入的,通常情况下都为1。
- 第五行是一个空行。
第六行是以一个DIRTY前缀开始的,后面紧跟着缓存图片的key。
通常我们看到DIRTY这个字样都不代表着什么好事情,意味着这是一条脏数据。
没错,每当我们调用一次DiskLruCache的edit()方法时,都会向journal文件中写入一条DIRTY记录,表示我们正准备写入一条缓存数据,但不知结果如何。然后调用commit()方法表示写入缓存成功,这时会向journal中写入一条CLEAN记录,意味着这条“脏”数据被“洗干净了”,调用abort()方法表示写入缓存失败,这时会向journal中写入一条REMOVE记录。
也就是说,每一行DIRTY的key,后面都应该有一行对应的CLEAN或者REMOVE的记录,否则这条数据就是“脏”的,会被自动删除掉。
另外,DiskLruCache会在每一行CLEAN记录的最后加上该条缓存数据的大小,以字节为单位。前面我们所学的size()方法可以获取到当前缓存路径下所有缓存数据的总字节数,其实它的工作原理就是把journal文件中所有CLEAN记录的字节数相加,求出的总合再把它返回而已。
每当我们调用get()方法去读取一条缓存数据时,就会向journal文件中写入一条READ记录。
那么你可能会担心了,如果我不停频繁操作的话,就会不断地向journal文件中写入数据,那这样journal文件岂不是会越来越大?
这倒不必担心,DiskLruCache中使用了一个redundantOpCount变量来记录用户操作的次数,每执行一次写入、读取或移除缓存的操作,这个变量值都会加1,当变量值达到2000的时候就会触发重构journal的事件,这时会自动把journal中一些多余的、不必要的记录全部清除掉,保证journal文件的大小始终保持在一个合理的范围内。
2017-04-14
本文来自博客园,作者:白乾涛,转载请注明原文链接:https://www.cnblogs.com/baiqiantao/p/6708529.html