深入理解前端性能优化:从网络到渲染

简介: 网络优化包括减少HTTP请求、使用HTTP/2、开启GZIP压缩和缓存策略。资源加载优化涉及懒加载、预加载和预读取。渲染优化建议使用Critical CSS、减少CSS和JavaScript阻塞以及避免强制同步布局。Service Worker实现离线存储,性能监控使用Lighthouse等工具。动态导入和代码拆分减少初始加载时间,响应式图片适应不同设备。Web Workers处理耗时任务,避免内存泄漏。

1. 网络优化

减少HTTP请求

  • 合并资源:通过合并CSS和JavaScript文件减少请求次数。
  • 资源内联:对于小的CSS和JavaScript,直接内联到HTML中。

使用HTTP/2

  • HTTP/2支持多路复用,减少请求阻塞,提高加载速度。

开启GZIP压缩

服务器端配置,压缩文本资源,减小传输体积。

缓存策略

利用HTTP缓存头,如Cache-Control,设置合适的缓存策略。

2. 资源加载优化

懒加载

只在资源即将进入视口时才加载,适用于图片和视频等。

<img src="placeholder.jpg" data-src="real-image.jpg" class="lazy" />
<script>
document.addEventListener('DOMContentLoaded', function() {
    
  let lazyImages = document.querySelectorAll('.lazy');
  lazyImages.forEach(img => {
    
    img.src = img.dataset.src;
  });
});
</script>

预加载与预读取

使用<link rel="preload">提前加载关键资源。
使用<link rel="prefetch">预读取非关键资源。

3. 渲染优化

Critical CSS

将首屏渲染所需的CSS内联在HTML头部,避免阻塞渲染。

减少CSS和JavaScript的阻塞

  • 使用<link rel="stylesheet" media="print" onload="this.media='all'">延迟非关键CSS加载。
  • 使用asyncdefer属性异步加载JavaScript。
<script async src="script.js"></script>

避免强制同步布局

  • 使用requestAnimationFrame或CSS动画代替复杂的JavaScript动画,减少重排重绘。

图片优化

  • 选择合适的图片格式(如WebP),并使用正确的尺寸和分辨率。

4. Service Worker与离线存储

  • 使用Service Worker实现离线缓存和资源更新。
if ('serviceWorker' in navigator) {
   
  window.addEventListener('load', () => {
   
    navigator.serviceWorker
      .register('/sw.js')
      .then(registration => console.log('SW registered:', registration))
      .catch(error => console.error('SW registration failed:', error));
  });
}

5. 性能监控与分析

  • 使用Lighthouse、WebPageTest或Chrome DevTools等工具进行性能测试和分析。

6. 代码拆分与懒加载

动态导入

利用动态导入(import()表达式)按需加载代码块,减少初始加载时间。

button.onclick = async () => {
   
  const module = await import('./lazyModule.js');
  module.default();
};

路由级别代码拆分

在SPA应用中,利用框架提供的路由级别代码拆分功能,如Vue Router的懒加载。

// Vue Router 示例
const Foo = () => import('./Foo.vue');

const routes = [
  {
    path: '/foo', component: Foo },
];

7. 图像优化

响应式图片

利用<picture>元素或srcset属性,根据设备像素比或视口大小提供不同分辨率的图片。

<picture>
  <source srcset="img/low-res.jpg" media="(max-width: 600px)">
  <source srcset="img/high-res.jpg" media="(min-width: 600px)">
  <img src="img/fallback.jpg" alt="Example">
</picture>

8. Web Workers

将耗时的计算任务移到Web Worker中,避免阻塞主线程,保持UI响应。

// main.js
const worker = new Worker('worker.js');
worker.postMessage([1024, 512]);

// worker.js
self.onmessage = function(e) {
   
  const result = e.data[0] * e.data[1];
  self.postMessage(result);
};

9. 避免内存泄漏

定期清理不再使用的定时器、事件监听器和大型数据结构,防止内存泄漏。

window.addEventListener('resize', handleResize);
// 清理
window.removeEventListener('resize', handleResize);

// 对于setTimeout或setInterval
let timerId = setInterval(() => {
    /*...*/ }, 1000);
clearInterval(timerId);

10. Web Vitals监控

关注LCP(最大内容绘制)、FID(首次输入延迟)和CLS(累计布局偏移)等Web Vitals指标,它们是衡量用户体验的关键指标。

// 使用Web Vitals库进行监控
import {
    getCLS, getFID, getLCP } from 'web-vitals';

getCLS(console.log);
getFID(console.log);
getLCP(console.log);

2500G计算机入门到高级架构师开发资料超级大礼包免费送!

相关文章
|
1月前
|
机器学习/深度学习 数据采集 搜索推荐
手表只会报步数?别闹了,用神经网络优化健康监测才是王道
手表只会报步数?别闹了,用神经网络优化健康监测才是王道
93 24
|
30天前
|
机器学习/深度学习 算法 安全
【PSO-LSTM】基于PSO优化LSTM网络的电力负荷预测(Python代码实现)
【PSO-LSTM】基于PSO优化LSTM网络的电力负荷预测(Python代码实现)
|
1月前
|
机器学习/深度学习 算法 数据挖掘
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
|
1月前
|
机器学习/深度学习 数据采集 传感器
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
|
3月前
|
机器学习/深度学习 算法
PSO和GA优化BP神经网络参数
PSO和GA优化BP神经网络参数
103 5
|
3月前
|
机器学习/深度学习 算法 数据挖掘
基于WOA鲸鱼优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB 2022a/2024b实现,采用WOA优化的BiLSTM算法进行序列预测。核心代码包含完整中文注释与操作视频,展示从参数优化到模型训练、预测的全流程。BiLSTM通过前向与后向LSTM结合,有效捕捉序列前后文信息,解决传统RNN梯度消失问题。WOA优化超参数(如学习率、隐藏层神经元数),提升模型性能,避免局部最优解。附有运行效果图预览,最终输出预测值与实际值对比,RMSE评估精度。适合研究时序数据分析与深度学习优化的开发者参考。
|
3月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA遗传优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本内容包含基于BiLSTM与遗传算法(GA)的算法介绍及实现。算法通过MATLAB2022a/2024b运行,核心为优化BiLSTM超参数(如学习率、神经元数量),提升预测性能。LSTM解决传统RNN梯度问题,捕捉长期依赖;BiLSTM双向处理序列,融合前文后文信息,适合全局信息任务。附完整代码(含注释)、操作视频及无水印运行效果预览,适用于股票预测等场景,精度优于单向LSTM。
|
3月前
|
前端开发 JavaScript 索引
前端性能优化:虚拟滚动技术原理与实战
前端性能优化:虚拟滚动技术原理与实战
486 80
|
3月前
|
缓存 监控 前端开发
前端性能优化:现代框架的关键策略
前端性能优化:现代框架的关键策略
217 74
|
3月前
|
缓存 前端开发 JavaScript
前端性能优化:打造流畅的用户体验
前端性能优化:打造流畅的用户体验

热门文章

最新文章