Glide双内存缓存加载机制详细介绍

Glide作为Android主流图片加载库，其高效的内存缓存机制是核心优势之一，主要分为“活动资源缓存”（Active Resources）和“内存LRU缓存”（Memory Cache）两级。这两级缓存协同工作，共同优化图片加载性能与内存利用率。以下从工作原理、实现方式及核心差异三方面深入解析：

一、活动资源缓存（Active Resources）​​

1. ​​定位与作用​​

• ​​核心目标​​：保护当前正在展示的图片资源不被回收，避免因内存压力导致已显示图片被意外销毁。
• ​​适用场景​​：图片正在被ImageView或其他组件使用（例如界面可见时）。
• ​​生命周期绑定​​：与页面生命周期同步，当页面销毁时，缓存自动释放

。

2. ​​技术实现​​

• ​​数据结构​​：使用HashMap<Key, ResourceWeakReference>存储资源，其中ResourceWeakReference是弱引用（WeakReference）的子类，指向图片资源对象

。

• ​​引用管理​​：
  • 弱引用确保资源未被强引用持有时可被GC回收。
  • 配合ReferenceQueue监听回收事件，自动清理无效缓存项

。

• ​​引用计数​​：
  • 同一资源被多个ImageView使用时，引用计数递增。
  • 当引用归零时，资源从活动缓存移除并转移到内存LRU缓存

。

3. ​​工作流程​​

// 资源被使用时加入活动缓存

activeResources.activate(key, resource);

// 资源释放时移出

activeResources.deactivate(key);

---

二、内存LRU缓存（Memory Cache）​​

1. ​​定位与作用​​

• ​​核心目标​​：缓存最近使用但当前未被展示的图片，减少重复解码开销。
• ​​适用场景​​：图片已加载过但当前未被界面使用（例如页面切换后仍保留）。
• ​​缓存策略​​：采用LRU（最近最少使用）算法管理缓存空间

。

2. ​​技术实现​​

• ​​数据结构​​：LruResourceCache继承自Android的LruCache，底层依赖LinkedHashMap（按访问顺序排序）

。

• ​​缓存回收​​：
  • 当缓存满时，自动淘汰最久未使用的资源。
  • 支持动态调整大小（如根据设备内存比例分配）

。

• ​​资源释放​​：
  • 被移除的资源可能加入BitmapPool（位图复用池），而非直接销毁

。

3. ​​工作流程​​

// 从内存缓存获取资源

Resource<?> cached = memoryCache.get(key);

// 资源加入缓存

memoryCache.put(key, resource);

---

​​三、两级缓存的核心区别​​

​​特性​​	​​活动资源缓存 (Active Resources)​​	​​内存LRU缓存 (Memory Cache)​​
​​存储资源状态​​	正在使用中	近期使用过但当前未使用
​​数据结构​​	WeakReference + HashMap	LruCache + LinkedHashMap
​​引用类型​​	弱引用（依赖引用计数）	强引用（LRU管理）
​​回收触发条件​​	资源引用计数归零	缓存空间不足或系统内存压力
​​性能优先级​​	最高（加载时优先检查）	次高（活动缓存未命中时检查）
​​生命周期关联​​	与页面生命周期同步	与应用进程生命周期同步
​​是否主动清理​​	是（页面销毁时自动释放）	是（LRU淘汰或clearMemory()调用）

---

四、实际应用与优化建议​​

1. ​​避免内存泄漏​​
   Glide通过绑定页面生命周期自动释放活动缓存，开发者需确保传入Context为Activity/Fragment而非ApplicationContext

。

1. ​​缓存策略调优​​
   • ​​禁用内存缓存​​（特殊场景，比如需要下载图片时）：

.skipMemoryCache(true)

• • ​​动态调整缓存大小​​（适配不同设备）：

• • GlideBuilder builder = new GlideBuilder();

builder.setMemoryCache(new DynamicLruCache(context)); 

// 根据设备内存动态计算

1. ​​复用Bitmap内存​​
   资源从内存LRU缓存移除后可能进入BitmapPool，供后续解码复用，减少内存碎片与GC频率

。

---

总结​​

Glide的双层内存缓存设计兼顾了​​资源保护​​（活动缓存）与​​历史复用​​（LRU缓存），通过弱引用+LRU+引用计数的组合，在避免OOM的同时最大化缓存命中率。理解其差异有助于开发者针对性能瓶颈（如列表快速滑动时的卡顿）定向优化，例如调整缓存比例或预加载策略