为什么需要缓存？
客户端与服务端交互需要时间，用户每次进行页面操作都需要等待，体验很差。
因此，对一些变化较小、常用以及页面初始化的数据，可以做一些缓存机制，这样不仅能缓解服务端的压力，也能保证客户端体验的流畅性。
缓存种类
1、内存缓存
以变量的形式存储数据，消耗内存空间来提升加载速度。由于客户端内存有限，分配给单个应用的内存则更少，所以内存缓存需要严格控制大小。一些常用且较小的数据比如用户信息等可以使用内存缓存存储，此外为了保证缓存的可靠性，内存缓存还会配合本地缓存实现二级缓存。
2、本地数据库缓存
客户端建立嵌入式数据库，可以携带初始化数据，也可在使用过程中往数据库添加数据，适合离线存储规模较大的列表数据。
3、本地键值对缓存
使用非关系型数据库或者平台独有的本地键值对存储库如Android中的SP进行键值缓存。特点是不用建立数据表，即存即用，适合用来做普通数据的缓存。
4、文件缓存
应用中占空间较大的数据项以文件形式直接存储在本地，一般用户缓存图片、网页等。
常用缓存算法
1、LFU（访问次数排列）
根据数据的历史访问频率来淘汰数据，其核心思想是“如果数据过去被访问多次，那么将来被访问的频率也更高”。
如果存储空间很大，则LFU具有较大优势。
但LFU对新加入的数据不太友好，随着总体数据的访问次数增大，新加入的数据难以短时间追上老数据，从而轻易被淘汰。
2、LRU（最近访问排列）
根据数据的历史访问记录来进行淘汰数据，其核心思想是“如果数据最近被访问过，那么将来被访问的几率也更高”。
LRU以最近访问排列，对新数据较为友好，并且也照顾到了旧数据，是较为理想的有限空间缓存算法。
当存在热点数据时，LRU的效率很好，但偶发性的、周期性的批量操作会导致LRU命中率急剧下降，缓存污染情况比较严重。
3、FIFO（最新加入排列）
最先进入的数据，最先被淘汰。只要使用队列数据结构即可实现。那么FIFO淘汰算法基于的思想是”最近刚访问的，将来访问的可能性比较大”。
FIFO对新数据友好度极大，对旧数据友好度极差。
使用频率分析
根据数据使用频率的不同，需要应用不同的缓存策略。
1、只使用一次
客户端只使用一次的数据，如搜索结果，这种情况则无需使用缓存，服务端直接返回数据给界面显示即可，请求过程中客户端需要显示加载框等待返回结果。
2、不常使用
这类数据很多，即有重复显示的需要，又无需频繁加载。不常用的数据可以先存进本地缓存，再通知显示界面更新界面。
3、经常使用
经常使用的数据同样需要先存进本地缓存，并且在本地缓存的基础上建立了一层内存缓存，以缓解频繁访问本地缓存产生的效率问题。
时效性分析
1、频繁变化
对于频繁变化的数据如资讯、消息等，只需分配一个键值对空间用来存储请求到的数据，每次刷新页面都会重新发起请求，而这类缓存的目的则主要为了下次进入界面时能够立即显示数据。
2、较少变化
有些数据变化周期很长，比如我国的行政区划，这类数据可以设置一个更新间隔，超过间隔时间再发送更新请求即可。
3、永远不变
这类情况较少，比如某图书系统的图书信息等，存进去的数据无需更新，这类情况则不用发送更新请求。
使用场景分析
1、登录
使用单独空间缓存账号数据，登录成功之后，建立与账号相关联的缓存空间，然后将用户信息如名称、token、头像等存入内存+本地二级缓存。
2、首页信息
首页信息一般变化频繁且不需要频繁加载，所以可以直接用本地缓存。
首次进入：显示加载框，发送请求。请求成功后将数据存入本地缓存，再通知界面从本地缓存更新数据。
非首次进入：从本地缓存显示数据，再静默发送更新数据的请求，请求成功后将数据存入本地缓存，再通知界面从本地缓存更新数据。
3、列表
列表数据变化频繁，缓存的目的只是为了下次进入列表界面不用等待，所以无论是单页列表还是分页列表，只需要缓存列表第一页的数据即可。缓存逻辑与首页信息一致。
4、列表项详情
由于列表项众多，对每一项的详情都进行键值对缓存不太现实，所以一般不用进行缓存。如有缓存需要，也可以建立数据库，每访问一次详情都往数据库插入数据，下次进入同一项详情就可以调用缓存。但这样一来本地数据会越来越多，很多数据使用过一次就再也用不上了，产生大量冗余。所以，这里需要进行一些优化，可以使用前面介绍的缓存算法如LRU对无用数据进行淘汰，也可设置定期清理程序对数据进行清理。
5、省市区选择
因为省市区使用时需要联动，一般会同时加载，所以建议用本地键值对直接存储，无需使用数据库。
由于省市区信息并不固定，所以还需要为每一个省市区数据设置一个版本号，定期检测服务端是否有新数据更新。
6、搜索候选
搜索功能一般需要保存历史搜索记录，而搜索历史的面板空间有限，所以这是一个典型需要使用缓存算法的功能。
搜索历史推荐LRU算法，新搜索的数据先去缓存中匹配是否存在，如果存在，移动至顶端，如不存在，则直接插入最顶端，缓存装满后删除尾端数据。
网友评论