python教程分享聊聊Flare应用前后端性能优化问题

两周前，在给颜值在线的 flame 提交了几个 pr 之后，我将它封装成了容器，用于书签和在线应用的管理。

但是在迁移个人书签的过程中，我发觉 flame 在性能上的表现并不是特别好，于是我做了一个改良版：flare。

写在前面

在聊 flare 之前，我想先聊聊 flame。

flame 是一个颜值在线的导航页项目，你可以将你常用的书签和在线应用存储在它上面。它由一个波兰小哥创建，项目地址是 https://github.com/pawelmalak/flame

flame 默认界面

在试用之后，我觉得项目还不错，于是稍作调整，封装了一个新的镜像：https://github.com/soulteary/docker-flame

新封装的应用

在项目文档中，记录了我的修改：

• 简化程序功能和依赖（如k8s），减少软件包体积，重构了一些细节逻辑，简化应用启动流程。
• 重写了天气获取逻辑，使用城市名称替换经纬度来获取天气数据。
• 对程序已有的一些小 bug 进行了修复，支持中文搜索。
• 对程序进行了简单的汉化。

但是随着深入使用，我发现页面有着比较大的性能问题。

因为波兰小哥采用了 spa 方案，项目内又包含了 6700 多个 svg 图标、以及若干网页字体，并且在接口上有一些小问题，导致了页面体积非常大，接口请求数量也非常多。

甚至当你上传一些包含元素比较多的 svg 作为你书签图标的时候，由 react 触发的页面渲染会造成浏览器卡死。

我大概有几百个书签需要处理，预估未来书签数量还会增长，所以我使用程序批量创建了接近一千个书签。然后我发现渲染如此多的书签，页面会出现卡顿，甚至在页面内搜索包含关键词的书签也会感受到明显的掉帧。

所以，我决定重新写一个轻量一些的程序，来解决我的需求。新的项目地址在这里，如果你好奇的话，可以试试看：https://github.com/soulteary/docker-flare

制作 flare 的过程，其实也是 flame 性能调优的过程。不过在解决问题之前，我们首先得能定位问题有哪些。

应用性能问题分析

关于这个应用的性能优化，其实并不复杂，和传统应用优化差别不大：优先减少计算量，在实在减少不了的情况下使用计算效率更高的方式来解决问题。

不过结合使用场景来说，在分析技术问题之前，可以先从功能入手。

对于我不适用的功能

首先从功能上看，我不需要这个应用与 docker 集成，提供“服务发现”功能。比如在我启动容器后，这个应用会自动将新启动的容器作为书签或者应用进行添加。

其次，在拥有自己的 sso 服务之后，我也不再需要使用简单的账号密码登录之类的功能，所以这个功能也可以去掉。

最后，关于书签数据的存储，我觉得在缺少用户体验非常棒的 web 编辑器的前提下，可能不如配置声明的方式更易于管理和维护。（你可以使用任何你喜欢的编辑器来更新和维护内容，你可以使用 git 或者任何你喜欢的方式，以白盒形式保存你自己的数据）。

基于上面的变化，我大概可以少写几个部分的代码：容器（docker & k8s）集成、登录鉴权、应用和书签，以及书签分类的 “crud”。

前端架构中的问题

flame 项目中，作者使用都是 create-react-app 脚手架创建的项目，项目依赖为： react v17 + typescript + redux，为了提供简洁一致的图标，作者在前端引入了 templarian/materialdesign-js，一个被精心处理过的 dom 结构非常简单的 svg 图标库。

在使用构建工具打包、服务端 gzip 压缩之后，需要传输接近 1mb 的资源，原始脚本程序体积接近 3mb。相对膨大的程序体积导致了页面加载和执行时间都会比较长。比如页面页面首次渲染时间在 1s 上下浮动，多数情况下会超过 1s，完成时间一般都在 1.5s 以上。可能是作者对于服务端程序开发不够熟悉，虽然在前端进行应用配置更新时会复用接口，但是在内容页面展示时，会调用多达8个接口。此外，为了在页面中展示和更新天气信息，波兰小哥还使用了 websocket 来进行数据交互。

flame 应用性能概览

其他的问题，在文章前面已经提到过了，就不赘述了。

后端架构中的问题

项目使用的技术栈为 node.js，web 框架为市占率非常高的 express 的最新版本，orm 框架选择的则是 sequelize，数据存储落地为 sqlite3 。上面的选择粗看问题不大，如果应用不需要公开提供浏览访问，应该不会出现任何性能问题。

但是，如果我们仔细观察服务响应，会发现有一些请求的响应的时间非常长，比如页面资源、比如对于页面至关重要的 js 程序资源，它们的获取都消耗了接近 400ms。

flame 网络请求记录

此外，前端发起了多次请求来获取数据，结合数据存储使用 sqlite，如果提供公开内容访问，很容易遇到性能瓶颈。

针对应用进行改进

当我们清楚了解到上面的问题之后，比如容易采取的方案是：基于原程序进行重构调整，简化前端请求、合理拆分模块、处理资源加载和执行时机，调整数据存储和处理方式，提高服务端响应能力等组合拳。然而，这会是最简单和收益最高的方案嘛？

调整前端实现

如果说在需要交互的页面程序中使用 mvvm 框架会有较高的收益和性价比，那么在缺少多端组件代码复用、没有服务端渲染需求的场景下，使用这类框架则是一个性价比不高的选择。

或许有同学会问，如果不使用 react、vue、angular 这类框架，难道在 2022 年还要再拾起 jquery 等老的工具吗？虽然可以，但其实在近乎于纯展示的场景下，我们可以脱离 js 来实现业务功能和简单的交互，比如自动获取焦点、菜单按钮的激活状态变化、甚至是带有动画效果的天气图标。

所以，在调整实现的时候，其实还有一个选择：不使用任何脚本。

flare 无脚本实现的渲染效率

在完成程序之后，我们可以看到从服务器获取整个页面数据、结构解析、样式计算、元素布局、页面绘制的完整时间在 33ms（包含了 idle 等待时间），其中关键流程的时间消耗加起来不到 10ms，而完成页面渲染的时间更是缩短到了 1.65ms。

在得到了页面快速渲染能力之后，即使不使用浏览器针对资源进行缓存，加速渲染，我们也能够做到页面切换的“无刷新”浏览（因为渲染速度足够快）。

调整后端实现

虽然我非常喜欢使用 node.js，以往也分享过你所未知的3种node.js代码优化方式，但是，为了能够低成本提高高性能的资源响应，这里进行技术栈切换是必要的：比如 golang。

在使用 golang 简化程序功能后，程序对于每个请求的响应基本能够保持在几毫秒的水平（受限于网络传输），相比较之前大概下降了2～3个量级。页面关键的 dom contentload 时间更是缩短到原来的八分之一。

flare 优化过后批量请求状况

结合上面的前端优化提到的渲染时间来粗略估计，从资源下载到渲染加起来都不到 10ms，如果不是浏览器的一些限制，绘制帧率应该能够远超 60 帧，进一步满足我们实现“即使刷新了也比没一些没刷新的实现还顺滑”。

上面的实现中，我将页面图标请求和页面文档进行了拆分，在书签数量和图标种类不多的场景下，或许并不是最优的方案，但是一旦书签数量级到几百、上千之后，你会发现图标拆分可以极大地提升性能。

当然，为了满足数量比较少的场景，我也对合并输出进行了实现，算上网站 favicon 获取，一共只有两个请求。在书签不是很多的时候，渲染性能甚至比文档和资源拆分输出效率更好。

flare 请求合并模式下的网络请求

图标资源优化

flame 使用的方案是读取后端接口配置，从前端脚本中动态创建 svg 图标并插入文档中，flare 程序默认的方式则是将 svg 和文档拆分，以应对大量书签状况下的页面性能问题。

虽然解决了页面性能问题，但是服务端 io 问题却会伴随而来，所以这里还需要处理资源在服务端的释放和读取问题，尽量将资源的磁盘 io 变为零。

听起来比较玄乎，但其实结合代码生成的方式，还是蛮好实现的。当然，因为 go 存在自动 gc，所以在不同的资源被使用的时候，会出现大量内存的分配，影响效率，这里可以考虑使用持久化方案来解决问题，处理起来挺有意思的，受限于篇幅和主题就不展开啦。有一部分我在前两篇文章中提到了，关于 golang 嵌入资源的使用和优化。

前段时间折腾 go emed 的记录

比如，在不针对 http 服务实现做任何优化、限制运行资源为两核心的前提下，仅优化资源 io 后，能达到稳定 3ms 输出资源，每秒提供2万7千次以上的响应服务。

容器镜像的优化

除了常规优化之外，容器时代的应用，镜像优化也是非常关键的。容器优化方式，我在前面的文章反复提过多次，所以也不再展开了，感兴趣可以自行翻阅之前的内容。

# docker images | grep fla                   soulteary/flare       0.1.1      22b18ad73c66        12mb  soulteary/flaume      2.2.0      b39fffc0ca81        152mb  pawelmalak/flame      2.2.0      fa47c93c0af6        179mb  pawelmalak/flame      2.0.0      729b0fcea7f0        190mb  

可以看到，相比较原版程序，优化后的程序在本地解压后的尺寸大概是之前十五到十六分之一。

额外的优化

如果我们使用 lighthouse 针对 flame 前端实现进行测试，能够看到前端程序在实现上的一些小问题，得分虽然四个环绿三个，但是只有一个环是绿色的。

flame 应用 lighthouse 得分

在重新实现的过程中，除了简化结构，调试实现之外，还顺手将这四个圈都打到了满分（chrome 版本 v97+）。

flare 应用 lighthouse 得分

最后

聊到这里，相信你已经了解了我是怎么做的啦，如果你对 flare 感兴趣，并且也需要一个简单的导航程序，可以访问项目 https://github.com/soulteary/docker-flare，来亲自上手试试。

到此这篇关于flare应用前后端性能优化的文章就介绍到这了,更多相关flare性能优化内容请搜索<编程笔记>以前的文章或继续浏览下面的相关文章希望大家以后多多支持<编程笔记>！

需要了解更多python教程分享聊聊Flare应用前后端性能优化问题，都可以关注python教程分享栏目&＃8212;编程笔记