LegendState项目中useSelector钩子的性能优化与修复
2025-06-20 01:09:00作者:昌雅子Ethen
背景介绍
在React状态管理库LegendState中,useSelector是一个重要的钩子函数,它允许组件从可观察状态中选择特定数据并自动订阅相关变化。该钩子的设计初衷是只在计算结果发生变化时才触发组件重新渲染,从而提高应用性能。
问题发现
开发者在使用过程中发现了一个关键问题:即使useSelector返回的值没有变化,组件仍然会不必要地重新渲染。具体表现为:
const pluginsCount = useSelector(() => {
return items$.get().filter((v) => !v.state.hide).length
})
在上述代码中,当items$或其子项的状态发生变化时,即使最终的pluginsCount值保持不变,组件也会重新渲染。
临时解决方案
开发者最初采用的临时解决方案是手动添加computed包装:
const pluginsCount = useSelector(() => {
return computed(() => {
return items$.get().filter((v) => !v.state.hide).length
}).get()
})
这种方法虽然解决了问题,但增加了代码复杂度,不是理想的长期解决方案。
问题根源分析
经过深入调查,发现问题出在useSelector的实现上:
- 实现代码直接执行回调函数,而没有正确处理选项参数
- 当组件被
observer包装时,行为与预期不符 - 测试用例没有覆盖
observer包装组件的情况
理想行为定义
开发者提出了useSelector应该具备的理想特性:
- 计算结果缓存:只有当返回值真正变化时才触发重新渲染
- 依赖项处理:能够根据依赖项变化重新创建选择器
- 自动订阅:自动跟踪回调中使用的所有可观察对象
修复方案
项目维护者在2.1.12版本中修复了这个问题。修复后的useSelector现在能够:
- 正确比较前后计算结果
- 在
observer包装的组件中正常工作 - 避免不必要的重新渲染
技术启示
这个案例为我们提供了几个重要的技术启示:
- 测试覆盖全面性:测试应该覆盖各种使用场景,包括被
observer包装的组件 - 性能优化验证:对于声称能优化性能的API,需要验证其实际行为
- API设计原则:状态管理工具的API应该直观且行为可预测
最佳实践建议
基于这一经验,建议开发者在使用LegendState时:
- 始终使用最新版本
- 对于复杂计算,考虑使用
computed进行显式优化 - 监控组件渲染次数,确保性能优化措施确实生效
通过这次问题的发现和修复,LegendState的状态管理能力得到了进一步巩固,为开发者提供了更可靠的性能保证。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
330
暂无简介
Dart
686
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869