作为一个开放式的跨端跨框架解决方案，Taro 在大量的小程序和 H5 应用中得到了广泛应用。我们经常收到开发者的反馈，例如 “渲染速度较慢”、“滑动不够流畅”、“性能与原生应用相比有差距” 等。这表明性能问题一直是困扰开发者的一个重要问题。
熟悉 Taro 的开发者应该知道，相比于 Taro 1/2，Taro 3 是一个更加注重运行时而轻量化编译时的框架。它的优势在于提供了更高效的代码编写方式，并拥有更丰富的生态系统。然而，这也意味着在性能方面可能会有一些损耗。
但是，使用 Taro 3 并不意味着我们必须牺牲应用的性能。事实上，Taro 已经提供了一系列的性能优化方法，并且不断探索更加极致的优化方案。
本文将为大家提供一些小程序开发的最佳实践，帮助大家最大程度地提升小程序应用的性能表现。
如果初次渲染的数据量非常大，可能会导致页面在加载过程中出现一段时间的白屏。为了解决这个问题，Taro 提供了预渲染功能（Prerender）。
使用 Prerender 非常简单，只需在项目根目录下的 config 文件夹中找到 index.js/dev.js/prod.js 三者中的任意一个项目配置文件，并根据项目情况进行修改。在编译时，Taro CLI 会根据你的配置自动启动预渲染功能。
const config = {
...
mini: {
prerender: {
match: 'pages/shop/**', // 所有以 `pages/shop/` 开头的页面都参与 prerender
include: ['pages/any/way/index'], // `pages/any/way/index` 也会参与 prerender
exclude: ['pages/shop/index/index'] // `pages/shop/index/index` 不用参与 prerender
}
}
};
module.exports = config
更详细说明请参考官方文档： https://taro-docs.jd.com/docs/prerender
由于 Taro 使用小程序的 template 进行渲染，这会引发一个问题：所有的 setData 更新都需要由页面对象调用。当页面结构较为复杂时，更新的性能可能会下降。
当层级过深时，setData 的数据结构如下：
page.setData({
'root.cn.[0].cn.[0].cn.[0].cn.[0].markers': [],
})
期望的 setData 数据结构：
component.setData({
'cn.[0].cn.[0].markers': [],
})
目前有两种方法可以实现上述结构，以实现局部更新的效果，从而提升更新性能：
对于不支持模板递归的小程序（例如微信、QQ、京东小程序等），当 DOM 层级达到一定数量后，Taro 会利用原生自定义组件来辅助递归渲染。简单来说，当 DOM 结构超过 N 层时，Taro 将使用原生自定义组件进行渲染（可以通过修改配置项 baseLevel 来调整 N 的值，建议设置为 8 或 4）。
需要注意的是，由于这是全局设置，可能会带来一些问题，例如：
flex 布局会失效（这是影响最大的问题）；SelectorQuery.select 方法中，跨自定义组件的后代选择器写法需要增加 >>>：.the-ancestor >>> .the-descendant。CustomWrapper 组件的作用是创建一个原生自定义组件，用于调用后代节点的 setData 方法，以实现局部更新的效果。
我们可以使用它来包裹那些遇到更新性能问题的模块，例如：
import { View, Text } from '@tarojs/components'
export default function () {
return (
<View className="index">
<Text>Demo</Text>
<CustomWrapper>
<GoodsList />
</CustomWrapper>
</View>
)
}
长列表是常见的组件，当生成或加载的数据量非常大时，可能会导致严重的性能问题，尤其在低端机上可能会出现明显的卡顿现象。
为了解决长列表的问题，Taro 提供了 VirtualList 组件和 VirtualWaterfall 组件。它们的原理是只渲染当前可见区域（Visible Viewport）的视图，非可见区域的视图在用户滚动到可见区域时再进行渲染，以提高长列表滚动的流畅性。
以 React Like 框架使用为例，可以直接引入组件：
import VirtualList from '@tarojs/components/virtual-list'
一个最简单的长列表组件如下所示：
function buildData(offset = 0) {
return Array(100)
.fill(0)
.map((_, i) => i + offset)
}
const Row = React.memo(({ id, index, data }) => {
return (
<View id={id} className={index % 2 ? 'ListItemOdd' : 'ListItemEven'}>
Row {index} : {data[index]}
</View>
)
})
export default class Index extends Component {
state = {
data: buildData(0),
}
render() {
const { data } = this.state
const dataLen = data.length
return (
<VirtualList
height={800} /* 列表的高度 */
width="100%" /* 列表的宽度 */
item={Row} /* 列表单项组件，这里只能传入一个组件 */
itemData={data} /* 渲染列表的数据 */
itemCount={dataLen} /* 渲染列表的长度 */
itemSize={100} /* 列表单项的高度 */
/>
)
}
}
更多详情可以参考官方文档： https://taro-docs.jd.com/docs/virtual-list
以 React Like 框架使用为例，可以直接引入组件：
import { VirtualWaterfall } from `@tarojs/components-advanced`
一个最简单的长列表组件如下所示：
function buildData(offset = 0) {
return Array(100)
.fill(0)
.map((_, i) => i + offset)
}
const Row = React.memo(({ id, index, data }) => {
return (
<View id={id} className={index % 2 ? 'ListItemOdd' : 'ListItemEven'}>
Row {index} : {data[index]}
</View>
)
})
export default class Index extends Component {
state = {
data: buildData(0),
}
render() {
const { data } = this.state
const dataLen = data.length
return (
<VirtualWaterfall
height={800} /* 列表的高度 */
width="100%" /* 列表的宽度 */
item={Row} /* 列表单项组件，这里只能传入一个组件 */
itemData={data} /* 渲染列表的数据 */
itemCount={dataLen} /* 渲染列表的长度 */
itemSize={100} /* 列表单项的高度 */
/>
)
}
}
更多详情可以参考官方文档： https://taro-docs.jd.com/docs/virtual-waterfall
众所周知，对小程序性能的影响较大的主要有两个因素，即 setData 的数据量和单位时间内调用 setData 函数的次数。在 Taro 中，会对 setData 进行批量更新操作，因此通常只需要关注 setData 的数据量大小。下面通过几个例子来说明如何避免数据量过大的问题：
目前 Taro 在处理节点删除方面存在一些缺陷。假设存在以下代码写法：
<View>
<!-- 轮播 -->
<Slider />
<!-- 商品组 -->
<Goods />
<!-- 模态弹窗 -->
{isShowModal && <Modal />}
</View>
当 isShowModal 从 true 变为 false 时，模态弹窗会消失。此时，Modal 组件的兄弟节点都会被更新，setData 的数据是 Slider + Goods 组件的 DOM 节点信息。
一般情况下，这不会对性能产生太大影响。然而，如果待删除节点的兄弟节点的 DOM 结构非常复杂，比如一个个楼层组件，删除操作的副作用会导致 setData 的数据量变大，从而影响性能。
为了解决这个问题，可以通过隔离删除操作来进行优化。
<View>
<!-- 轮播 -->
<Slider />
<!-- 商品组 -->
<Goods />
<!-- 模态弹窗 -->
<View>
{isShowModal && <Modal />}
</View>
</View>
当基础组件（例如 View、Input 等）的属性值为非基本类型时，假设存在以下代码写法：
<Map
latitude={22.53332}
longitude={113.93041}
markers={[
{
latitude: 22.53332,
longitude: 113.93041,
},
]}
/>
每次渲染时，React 会对基础组件的属性进行浅比较。如果发现 markers 的引用不同，就会触发组件属性的更新。这最终导致了 setData 操作的频繁执行和数据量的增加。 为了解决这个问题，可以使用状态（state）或闭包等方法来保持对象的引用，从而避免不必要的更新。
<Map
latitude={22.53332}
longitude={113.93041}
markers={this.state.markers}
/>
在小程序开发中，当存在滑动蒙层、弹窗等覆盖式元素时，滑动事件会冒泡到页面上，导致页面元素也会跟着滑动。通常我们会通过设置 catchTouchMove 来阻止事件冒泡。
然而，由于 Taro3 事件机制的限制，小程序事件都是以 bind 的形式进行绑定。因此，与 Taro1/2 不同，调用 e.stopPropagation() 并不能阻止滚动事件的穿透。
解决办法 1：使用样式（推荐）
可以为需要禁用滚动的组件编写以下样式：
{
overflow：hidden;
height: 100vh;
}
解决办法 2：使用 catchMove
对于极个别的组件，比如 Map 组件，即使使用样式固定宽高也无法阻止滚动，因为这些组件本身具有滚动的功能。因此，第一种方法无法处理冒泡到 Map 组件上的滚动事件。 在这种情况下，可以为 View 组件添加 catchMove 属性：
// 这个 View 组件会绑定 catchtouchmove 事件而不是 bindtouchmove
<View catchMove />
在小程序中，当调用 Taro.navigateTo 等跳转类 API 后，新页面的 onLoad 事件会有一定的延时。因此，为了提高用户体验，可以将一些操作（如网络请求）提前到调用跳转 API 之前执行。
对于熟悉 Taro 的开发者来说，可能会记得在 Taro 1/2 中有一个名为 componentWillPreload 的钩子函数。然而，在 Taro 3 中，这个钩子函数已经被移除了。不过，开发者可以使用 Taro.preload() 方法来实现跳转预加载的效果：
// pages/index.js
Taro.preload(fetchSomething())
Taro.navigateTo({ url: '/pages/detail' })
// pages/detail.js
console.log(getCurrentInstance().preloadData)
在开发过程中，我们经常会使用 Taro.getCurrentInstance() 方法来获取小程序的 app、page 对象以及路由参数等数据。然而，频繁地调用该方法可能会导致一些问题。
因此，建议将 Taro.getCurrentInstance() 的结果保存在组件中，并在需要时直接使用，以避免频繁调用该方法。这样可以提高代码的执行效率和性能。
class Index extends React.Component {
inst = Taro.getCurrentInstance()
componentDidMount() {
console.log(this.inst)
}
}
Taro 一直追求并不断突破性能的极限，除了以上提供的最佳实践，我们即将推出小程序编译模式（CompileMode）。
什么是 CompileMode？
前面已经说过，Taro3 是一种重运行时的框架，当节点数量增加到一定程度时，渲染性能会显著下降。 因此，为了解决这个问题，Taro 引入了 CompileMode 编译模式。
CompileMode 在编译阶段对开发者的代码进行扫描，将 JSX 和 Vue template 代码提前编译为相应的小程序模板代码。这样可以减少小程序渲染层虚拟 DOM 树节点的数量，从而提高渲染性能。 通过使用 CompileMode，可以有效减少小程序的渲染负担，提升应用的性能表现。
如何使用？
开发者只需为小程序的基础组件添加 compileMode 属性，该组件及其子组件将会被编译为独立的小程序模板。
function GoodsItem () {
return (
<View compileMode>
...
</View>
)
}
目前第一阶段的开发工作已经完成，我们即将发布 Beta 版本，欢迎大家关注！ 想提前了解的可以查看 RFC 文档： https://github.com/NervJS/taro-rfcs/blob/feat/compile-mode/rfcs/0000-compile-mode.md
通过采用 Taro 的最佳实践，我们相信您的小程序应用性能一定会有显著的提升。未来，我们将持续探索更多优化方案，覆盖更广泛的应用场景，为开发者提供更高效、更优秀的开发体验。
如果您在项目中有任何经验总结或思考，欢迎向我们投稿并进行交流，让我们一起分享给更多开发者，非常感谢您的支持！
作者：京东零售 利齐诺
来源：京东云开发者社区 转载请注明来源
