前言
一直以来都想写一篇ReactNative性能优化的博客,原因很简单,技术知识要落地才有价值,而性能优化是业务开发中的一个非常重要的点,但想了一年多了都还没写,是因为这个选题太大了,在google上一搜,讲RN性能优化的文章有不少,但都没有讲的很全面,有的又偏细节,没有提炼出底层的原理,比如props不要用局部变量和立即执行函数,只是代码层面的执行策略,底层真正的原因实际上重复渲染机制。
今天突然想到,与其寄希望于一口气写出一篇集ReactNative性能优化之大成的文章来,不如想到多少写多少,先写了再说,这才是正确的做事方式,所以先来个最简单的开篇吧。
包体积
所谓包,就是我们在执行react-native bundle命令生成的产物的统称,例如
1 | react-native bundle --entry-file ./index.js --platform ios --dev false --bundle-output ./dist/index.ios.bundle --assets-dest ./dist |
就会在dist目录下生成一个index.ios.bundle文件,以及图片资源也放在dist目录下,这样我们可以把dist目录打一个压缩包,预置在安装包内,或者拿去下发做热更新。
为什么要优化包体积?首先它会影响到安装包的体积,尤其是预置的情况,安装包体积过大,会影响用户下载应用的体验,各大APP也都在想办法压缩安装包的体积,其次是会影响加载效率,ReactNative需要加载bundle才能运行起来,bundle体积越大,则加载越慢,体验也就更加不好,而如果图片资源体积过大,则影响运行时的图片加载效率,也会影响体验
既然包是由bundle和资源两大块组成的,我们就分别给出它们的优化策略。
图片压缩
资源有很多种,例如图片,音频,视频等,但图片是最普遍的一种,所以我们就只介绍图片压缩。
图片压缩首先有一个非常简单的方案:使用JPEG格式。如果一张图片没有透明度的需要,那么就改成使用jpeg格式,体积比png体积要小很多。
其次是png图片的压缩,业界有非常多也非常成熟的方案可以选择,如果图片数量不多又想省事,可以直接使用tinypng.com,它也对外开放了API可供脚本调用,但每个月只能免费压缩500张。如果更专业一些,可以使用pngquant,它功能更加强大,可以自定义压缩系数,避免压缩系数过大导致失真,或者压缩系数过小导致压缩率不高,它可以下载工具,或者使用命令行调用。
使用工具对png图片进行有损压缩,根据不同图片具体情况,压缩比一般能在20%-60%左右,是效果非常显著的。
bundle压缩
bundle其实是纯js代码,它包含了ReactNative的JavaScript层源码,第三方库,我们自己的业务代码,要优化它的体积,首先我们需要知道bundle里哪些东西占了多少体积,然后再去针对他们做优化,有一个工具叫react-native-bundle-visualizer,使用它可以看到bundle内的详细情况,它的底层是使用了
source-map-explorer,所以我们用source-map-explorer也可以。或者如果我们使用了webpack打包,那么可以使用webpack-bundle-analyzer插件。
下面是一张网上找到的示例图:
知道bundle里什么东西占地方的话,就想办法去优化,例如很典型的是moment.js,很多时候我们发现它的locate占了很大一块,实际上又没用到,那我们可以参考how-to-optimize-momentjs-with-webpack,或者简单点直接使用moment.min.js不要locate功能,或者换成其它的替代库。例如lodash,我们只使用了它的几个方法,却引入了一整个库,我们就可以想办法使用局部引用的写法。其次就是如果使用的多个第三方库依赖了同一个库的不同版本,导致了存在同一个库的多份代码,则可以考虑升级其中的一些库来避免这种情况。最后是咱们自己业务的代码,要避免机械的拷贝粘贴,否则同样的代码在bundle里存在多份,就导致了bundle体积的增加。
分包
将bundle拆分成基础包和业务包,也是减少包体积的一个有效方案,但实现起来稍微复杂一些,需要改动ReactNative的源码,修改加载流程,对团队的技术能力有一定要求,但也不用担心,技术方案早就已经很成熟,我在两年前就写过相关的介绍可供参考。因为说起来话题就比较大,暂时不做展开了。
总结
新开了个大坑,这是第一篇,如果能够按照上面的做法,将安装包体积减少,就迈开了性能优化的第一步,这一步虽然不难,但效果会非常显著,如果还没做,不妨立即试一下。
希望这个ReactNative性能优化系列能填完,也希望整理的东西对大家有实际的帮助,有任何问题,欢迎随时沟通~
Ursprünglicher Link: http://yangguang1029.github.io/2019/12/02/rn-improve-performance1/
Copyright-Erklärung: 转载请注明出处.