Redis的过期策略和内存淘汰机制
过期清除策略
定期删除（redis默认是每隔100ms就随机抽取一些设置了过期时间的key，检查其是否过期，如果过期就删）+惰性删除（在你获取某个key的时候，redis会检查一下 ，这个key如果设置了过期时间那么是否过期了？如果过期了此时就会删除，不会给你返回任何东西。）
如果定期删除漏掉了很多过期key，然后你也没及时去查，也就没走惰性删除，此时会怎么样？如果大量过期key堆积在内存里，导致redis内存块耗尽了，怎么办？
答案是：走内存淘汰机制。
内存淘汰机制
1. 内存满时，直接报错。2. 移除最近最少使用的key。（LRU-Least Recently Used最常用）3.随机移除一个key。
4.在设置了过期时间的key中，移除最近最少使用的key。5.在设置了过期时间的key中，随机移除一个key。6.在设置了过期时间的key中，更早过期时间的key优先移除。
LRU的实现（哈希表提供查询，双向链表维持顺序和提供hash表中需要淘汰的key）
1. LRU 算法设计
我们可以总结出 cache 这个数据结构必要的条件：查找快，插入快，删除快，有顺序之分。
因为显然 cache 必须有顺序之分，以区分最近使用的和久未使用的数据；而且我们要在 cache 中查找键是否已存在；如果容量满了要删除最后一个数据；每次访问还要把数据插入到队头。 那么，什么数据结构同时符合上述条件呢？哈希表查找快，但是数据无固定顺序；链表有顺序之分，插入删除快，但是查找慢。
所以结合一下，形成一种新的数据结构：哈希双向链表。 LRU 缓存算法的核心数据结构就是哈希链表，双向链表和哈希表的结合体。这个数据结构长这样：
思路
由于题目的时间复杂度要求 O(1)O(1)，空间肯定不能省，存取数据时间性能最好的就是哈希表，因此底层的数据结构一定是一个哈希表；
根据题目意思，访问某个数据，时间优先级得提前，还有删除末尾结点的需求，这样的数据结构得在头尾访问数据最快，这种数据结构是「双向链表」；
「链表」结点需要记录：1、value，2、key（在哈希表里删除的时候用得上），3、前驱结点引用，4、后继结点引用。
这样一套设计下来，题目中要求的操作就是 $O(1)% 了。
下面是内存结构示意图：
双向链表结点的简单定义法：class Node { public int key, val; public Node next, prev; public Node(int k, int v) { this.key = k; this.val = v; } }
双向列表结点一般定义法：
class Node<K,V>{ private K key; private V value; private Node<K,V> prev; private Node<K,V> next; }
然后依靠我们的 Node 类型构建一个双链表，实现几个要用到的 API，这些操作的时间复杂度均为 O(1) ： class DoubleList { // 在链表头部添加节点 x public void addFirst(Node x); // 删除链表中的 x 节点（x 一定存在） public void remove(Node x); // 删除链表中最后一个节点，并返回该节点 public Node removeLast(); // 返回链表长度 public int size(); }
这就是普通双向链表的实现，为了让读者集中精力理解 LRU 算法的逻辑，就省略链表的具体代码。
到这里就能回答刚才“为什么必须要用双向链表”的问题了，因为我们需要删除操作。删除一个链表节点不光要得到该节点本身的指针，也需要操作其前驱节点的指针，而双向链表才能支持直接查找前驱，保证操作的时间复杂度 O(1)。
有了双向链表的实现，我们只需要在 LRU 算法中把它和哈希表结合起来即可。我们先把逻辑理清楚:
如果能够看懂上述逻辑，翻译成代码就很容易理解了：
这里就能回答之前的问题“为什么要在链表中同时存储 key 和 val，而不是只存储 val”，注意这段代码：
if (cap == cache.size()) { // 删除链表最后一个数据 Node last = cache.removeLast(); map.remove(last.key); }
当缓存容量已满，我们不仅仅要删除最后一个 Node 节点，还要把 map 中映射到该节点的 key 同时删除，而这个 key 只能由 Node 得到。如果 Node 结构中只存储 val，那么我们就无法得知 key 是什么，就无法删除 map 中的键，造成错误。
至此，你应该已经掌握 LRU 算法的思想和实现了，很容易犯错的一点是：处理链表节点的同时不要忘了更新哈希表中对节点的映射。
