Caffeine 缓存库安装与使用指南
目录结构及介绍
当你通过 git clone https://github.com/ben-manes/caffeine.git 命令克隆 Caffeine 开源项目到本地时, 你会看到以下主要目录:
-
build : Maven 构建工具生成的编译和构建输出.
-
src :
- main : 主要代码目录. 包含 Java 源码和资源文件.
- java : 主要 Java 类
- resources : 配置资源和其他非编译资源.
- test : 单元测试代码.
- main : 主要代码目录. 包含 Java 源码和资源文件.
-
.github : GitHub 自动化工作流和Issue模板等.
-
.circleci : CircleCI 连续集成配置.
-
docs : 文档文件.
-
LICENSE : 许可证文件.
-
pom.xml : Maven 项目管理文件.
启动文件介绍
Caffeine 是一个 Java 库并没有特定的应用主类或入口点进行运行. 但是你可以将它导入到你的项目中然后在你的代码中创建缓存实例并使用相关方法. 如下所示:
import com.github.benmanes.caffeine.cache.Cache;
import com.github.benmanes.caffeine.cache.Caffeine;
public class CacheApp {
public static void main(String[] args) {
// 创建一个缓存对象
Cache<String, String> cache = Caffeine.newBuilder()
.maximumSize(100)
.expireAfterWrite(5, TimeUnit.MINUTES)
.build();
// 使用 put 方法添加元素到缓存中
cache.put("key", "value");
// 使用 getIfPresent 方法从缓存中获取元素
System.out.println(cache.getIfPresent("key"));
}
}
上述示例使用了 Caffeine.newBuilder() 来构建一个新的缓存对象并设置了最大缓存大小以及过期时间. 最后的 build() 方法则创建了一个具体的缓存实现类实例.
配置文件介绍
虽然 Caffeine 的主要功能是基于内存的, 并不需要外部配置文件来进行配置, 然而 Caffeine 提供了一些简单的注解可以用于 Spring Boot 和其他框架中的自定义配置类.
例如在 Spring Boot 中我们可以使用如下的配置类来初始化一个全局的缓存配置:
@Configuration
@EnableCaching
public class CacheConfig {
@Bean
public CacheManager caffeineCacheManager() {
return new CaffeineCacheManager();
}
@Bean
public CacheLoaderFactory cacheLoaderFactory() {
return new CacheLoaderFactory();
}
@Bean
public CaffeineSpec caffeineSpec() {
return Caffeine::from;
}
}
// 在application.properties中配置全局缓存策略
spring.cache.type=caffeine
spring.cache.caffeine.spec=initialCapacity=10,maximumSize=1000,expireAfterWrite=1h
在这个例子中我们首先使用 @Configuration 注解声明这是一个配置类并且使用了 @EnableCaching 注解启用 Spring 的缓存支持接着我们自定了一个 CacheManager bean 实现以使用 com.github.benmanes.caffeine.cache.Caffeine 来管理我们的缓存策略. 我们还可以通过 application.properties 文件来定制全局的缓存策略比如设置初始容量、最大容量、写入后过期时间等参数.
以上就是关于 Caffeine 缓存库基本的目录结构、启动文件以及配置文件的介绍了希望对您有所帮助!
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00