Taro性能优化之复杂列表篇

一、背景

随着项目的不断迭代，规模日益增大，而基于Taro3的运行时弊端也日渐凸显，尤其在复杂列表页面上表现欠佳，极度影响用户体验。本文将以复杂列表的性能优化为主旨，尝试建立检测指标，了解性能瓶颈，通过预加载、缓存、优化组件层级、优化数据结构等多种方式，实验后提供一些技术方案的建议，希望可以给大家带来一些思路。

二、问题现状及分析

我们以酒店某一多功能列表为例(下图)，设定检测标准(setData次数及该setData的响应时效作为指标)，检测情况如下:

由于历史原因，该页面的代码，由微信的原生转成的taro1，后续迭代至taro3。项目中存在小程序原生写法可能忽略的问题。根据上面多次测出的指标值，以及视觉体验上来看，存在以下问题:

2.1  首次进入列表页的加载时间过长，白屏时间久

• 列表页请求的接口时间过长;
• 初始化列表也是setData数据量过大，且次数过多;
• 页面节点数过多，导致渲染耗时较长;

2.2  页面筛选项的更新卡顿，下拉动画卡顿

• 筛选项中节点过多，更新时setData数据量大;
• 筛选项的组件更新会导致页面跟着一起更新;

2.3  无限列表的更新卡顿，滑动过快会白屏

• 请求下一页的时机过晚;
• setData时数据量大，响应慢;
• 滑动过快时，没有从白屏到渲染完成的过渡机制，体验欠佳;

三、尝试优化的方案

3.1  跳转预加载API：

通过观察小程序的请求可以发现，列表页请求中，有两个请求耗时较为长。

在Taro3的升级中，官方有提到预加载Preload，在小程序中，从调用 Taro.navigateTo 等路由跳转 API 后，到小程序页面触发 onLoad 会有一定延时(约300ms，如果是分包新下载则跳转时间更长)，因此一些网络请求可以提前到发起跳转时一起去请求。于是我们在在跳转前，使用Taro.preload预先加载复杂列表的请求：

// Page A
  const query = new Query({
    // ...
  })


  Taro.preload({
    RequestPromise: requestPromiseA({data: query }),
  })

// Page B
  componentDidMount() {
    // 在跳转的过程中，发出请求，因为返回的是一个promise，所以需要在B页面承接：
    Taro.getCurrentInstance().preloadData?.RequestPromise?.then(res => {
      this.setState(this.processResData(res.data))
    })
  }

用同样的检测方式反复测试后，使用preload的时，能提前300~400ms提前拿到酒店的列表数据。

左边是没使用preload的旧列表，右边是预加载的列表，能明显看出预加载后的列表会快一些。

然而在实际的使用中我们发现preload存在部分缺陷，对于承接页面，如果接口较为复杂，会对业务流程的代码有一定的入侵。究其本质，是前置了网络请求，所以我们可以对网络请求部分加入缓存策略，即可达到该效果，且接入成本会大大降低。

3.2  合理运用setData

setData 是小程序开发中使用最频繁、也是最容易引发性能问题的API。setData 的过程，大致可以分成几个阶段：

• 逻辑层虚拟 DOM 树的遍历和更新，触发组件生命周期和 observer 等；
• 将 data 从逻辑层传输到视图层；
• 视图层虚拟 DOM 树的更新、真实 DOM 元素的更新并触发页面渲染更新。

数据传输的耗时与数据量的大小正相关，旧的列表页第一次加载的时候，一共请求了4个接口，setData短时间里有6次，数据量偏大的有两次，我们尝试的优化方式为，将数据量大的两次分开，另外五次发现都是一些零散的状态和数据，可以作为一次。

进行完这一步的操作，平均能减少200ms左右，效果较小，因为页面的节点数没变，setData主要的耗时还分布于渲染时间。

3.3  优化页面的节点数

根据微信官方文档的说明，一个太大的节点树会增加内存使用的同时，样式重排时间上也会更长。建议一个页面节点数量应少于 1000 个，节点树深度少于 30 层，子节点数不大于 60 个。 

在微信开发者工具中分析该页面两个模块存在大量的节点数。一个是筛选项模块，一个是长列表的模块。因为这部分功能较多，且结构复杂，我们采用了选择性渲染。如在用户浏览列表式，筛选项不生成具体节点。点击展开筛选的时候再渲染出节点，对于页面列表的体验有一定程度的缓解。另一方面，对于整体布局的书写上，有意识的避免嵌套过深的写法，如RichText使用，部分选择图片代替等。

3.4  优化筛选项相关

3.4.1  改变动画方式

在重构筛选项的过程中，发现在一些机型上，小程序的动画效果不太理想，比如当打开筛选项tab的时候，需要实现一个向下拉出的效果，早期在实现的时候，会出现两个问题:

• 动画会闪一下 然后再出现
• 筛选页面节点过多时，点击响应过慢，用户体验差

旧的筛选项的动画是通过keyframes方式实现了一个fadeIn的动画，加在最外层，但是无论如何在动画出现的那一帧，都会闪一下。分析下来，因为keyframes执行动画造成的卡顿：

.filter-wrap {
  animation: .3s ease-in fadeIn;
}


@keyframes fadeIn {
  0% {
    transform: translateY(-100%)
  }
  100% {
    transform: translateY(0)
  }
}

于是，尝试换了一种实现方式，通过transition来实现transfrom：

.filter-wrap {
     transform: translateY(-100%); 
     transition: none;
     &.active { 
       transform: translateY(0); 
       transition: transform .3s ease-in; 
    }
}

3.4.2  维护简洁的state

操作筛选项的时候，每操作一次都需要根据唯一id从筛选项的数据结构中循环遍历，去找到对应的item，改掉item的状态，然后将整个结构重新setState。官方文档中提到关于setState，应该尽量避免处理过大的数据,会影响页面的更新性能。 

针对这一问题，采取的办法是:

• 预先将复杂的对象扁平化,示例如下:

{
    "a": {
      "subs": [{
        "a1": {
          "subs": [{
            "id": 1
          }]
        }
      }]
    },
    "b": {
      "subs": [{
        "id": 2
      }]
    },


    // ...
  }

扁平化后的筛选项数据结构：

{
    "1": {
      "id": 1,
      "name": "汉庭",
      "includes": [],
      "excludes": [],
      // ...
    },
    "2": {
      // ...
    },


    // ...
  }

• 不改变原有的数据，利用扁平化后的数据结构维护一个动态的选中列表：

const flattenFilters = data => {
  // ...


  return {
    [id]: {
      id: 2,
      name: "全季",
      includes: [],
      excludes: []
      // ...
    },


    // ...
  }
}


const filters = [], filtersSelected = {}
const flatFilters = flattenFilters(filters)


const onClickFilterItem = item => {


  // 所有的操作需要先拿到扁平化的item
  const flatItem = flatFilters[item.id] 


  if (filtersSelected[flatItem.id]) {
    // 已选中，需要取消选中
    delete filtersSelected[flatItem.id]
  }
  else {
    // 未选中，需要选中
    filtersSelected[flatItem.id] = flatItem
    // 取消选中排斥项
    const idsSelected = Object.keys(filtersSelected)
    const idsIntersection = intersection(idsSelected, flatItem.selfExcludes) // 交集
    if (idsIntersection.length) {
      idsIntersection.forEach(id => {
        delete filtersSelected[id]
      })
    }


    // 其他逻辑 （快筛，关键词等）
  }


  this.setState({filtersSelected})
}

上面是一个简单的实现，前后对比，我们只需要维护一个很简单的对象，对其属性进行添加或者删除，性能有细微的提高，且代码更为简单整洁。在业务代码中，类似这种通过数据结构转换提升效率的地方有很多。

关于筛选项，可以对比下检测的平均数据，减少200ms~300ms，也会得到一些提升：

3.5  长列表的优化

早期酒店列表页引入了虚拟列表，针对长列表渲染一定数目的酒店。核心的思路是只渲染显示在屏幕的数据，基本实现就是监听 scroll 事件，并且重新计算需要渲染的数据，不需要渲染的数据留一个空的 div 占位元素。

• 加载下一页有轻微的卡顿：

通过数据发现，下拉更新列表平均耗时1900ms左右：

针对这个问题，解决方案是，提前加载下一页的数据，将下一页存入内存变量中。滚动加载的时候直接从内存变量中去取，然后setData更新到数据中。

• 滑动速度过快会出现白屏（速度越快白屏时间越久，下方左图）：虚拟列表的原理就是利用空的View去占位，当快速回滚的时候，渲染的时候当节点过于复杂，特别是酒店带有图片，渲染就会变慢，导致白屏，我们进行了三种方案的尝试:1)  使用动态的骨架图代替原有的View占位 下方图右：

2)  CustomWrapper

为了提升性能，官方推荐了CusomWrapper，它可以将包裹的组件与页面隔离，组件渲染时不会更新整个页面，由page.setData变为component.setData。

自定义组件是基于Shadow DOM实现的，对组件中的DOM和CSS进行了封装，使得组件内部与主页面的DOM保持了分离。图片中的#shadow-root是根节点，成为影子根，和主文档分开渲染。#shadow-root可以嵌套形成节点树（Shadow Tree）

    #shadow-root
      
  

包裹的组件被隔离，这样内部的数据的更新不会影响到整个页面，可以简单看下低性能客户端下的表现。效果还是明显的，同一时间点击，右侧弹窗出现的耗时平均会快200ms ~ 300ms (同一机型同一环境下测出)，机型越低端越明显。

（右侧是CustomWrapper下的）

3)  使用小程序原生组件

用小程序的原生组件去实现这个列表Item。原生组件绕过Taro3的运行时，也就是说，在用户对页面操作的时候，如果是taro3的组件，需要进行前后数据的diff计算，然后生产新的虚拟dom所需要的节点数据，进而调用小程序的api去对节点进行操作。原生组件绕过了这一些列的操作，直接是是底层小程序对数据的更新。所以，缩短了一些时间。可以看一下实现后的效果：

可以看出原生性能提升很大，平均更新列表缩短1s左右，但是使用原生也有缺点，主要表现为以下两个方面:

• 组件包含的所有样式 需要按照小程序的规范写一遍，且与taro的样式相互隔离;
• 在原生组件中无法使用taro的API，比如createSelectorQuery这种;

对比三种方案，性能提升逐步加强。考虑到使用Taro原本的意义在于跨端，如果使用原生，就没办法达到这个目的，不过我们在尝试是否可以通过插件，在编译时生成对应原生小程序的组件代码，以此解决这一问题，最终达到最优效果。

3.6  React.memo

当复杂页面子组件过多时，父组件的渲染会导致子组件跟着渲染，React.memo可以做浅层的比较防止不必要的渲染：

const MyComponent = React.memo(function MyComponent(props) {
  
})

React.memo为高阶组件。它与React.PureComponent非常相似，但它适用于函数组件，但不适用于 class 组件。

如果你的函数组件在给定相同props的情况下渲染相同的结果，那么你可以通过将其包装在React.memo中调用，以此通过记忆组件渲染结果的方式来提高组件的性能表现。这意味着在这种情况下，React 将跳过渲染组件的操作并直接复用最近一次渲染的结果。

默认情况下其只会对复杂对象做浅层对比，如果你想要控制对比过程，那么请将自定义的比较函数通过第二个参数传入来实现。

function MyComponent(props) {
  
}


function areEqual(prevProps, nextProps) {
  
}


export default React.memo(MyComponent, areEqual);

四、总结

本次复杂列表的性能优化我们前后经历较久，尝试了各种可能的优化点。从列表页的预加载，筛选项数据结构和动画实现的改变，到长列表的体验优化和原生的结合，提升了页面的更新和渲染效率,目前仍密切关注，继续保持探索。

以下为最终效果对比(右侧为优化后):