Hyperf Phar 打包性能优化实践
2025-06-02 22:45:54作者:伍霜盼Ellen
背景介绍
在 PHP 应用开发中,Phar 打包是一种常见的部署方式。Hyperf 作为高性能 PHP 框架,其官方 Phar 打包工具在实际使用中遇到了显著的性能问题。本文将详细介绍如何通过优化 Phar 打包流程,将打包时间从原来的 25 分钟缩短到不足 1 分钟。
问题分析
传统 Phar 打包方式存在的主要性能瓶颈在于:
- 文件逐个写入 Phar 包导致大量 I/O 操作
- 频繁的文件系统访问增加了打包时间
- 缺乏有效的缓存机制
这些问题在大型项目中尤为明显,当项目包含数千个文件时,打包时间会呈指数级增长。
优化方案
我们设计了一个 CustomPhar 类来解决这些问题,主要优化点包括:
1. 引入临时目录缓存
创建一个临时目录作为文件缓存区,所有待打包文件先复制到该目录,最后统一打包。这种方式减少了 Phar 包的频繁写入操作。
private string $tempDir;
public function __construct(string $filename, int $flags = \FilesystemIterator::SKIP_DOTS | \FilesystemIterator::UNIX_PATHS, ?string $alias = null)
{
parent::__construct($filename, $flags, $alias);
$this->tempDir = sys_get_temp_dir() . '/phar_cache_' . uniqid();
$this->createDirectory($this->tempDir);
}
2. 批量文件处理
重写关键方法,将所有文件操作改为先缓存到临时目录:
public function addFile(string $filename, ?string $localName = null): void
{
$localName = $localName ?? basename($filename);
$relativePath = $this->tempDir . '/' . $localName;
$this->createDirectory(dirname($relativePath));
copy($filename, $relativePath);
}
public function addFromString(string $localName, string $contents): void
{
$relativePath = $this->tempDir . '/' . $localName;
$this->createDirectory(dirname($relativePath));
file_put_contents($relativePath, $contents);
}
3. 目录递归复制优化
实现高效的目录递归复制功能,支持可选的文件名模式匹配:
private function recursiveCopy(string $source, string $destination, ?string $pattern = null): void
{
$iterator = new \RecursiveIteratorIterator(
new \RecursiveDirectoryIterator($source, \FilesystemIterator::SKIP_DOTS),
\RecursiveIteratorIterator::SELF_FIRST
);
foreach ($iterator as $item) {
$targetPath = $destination . '/' . substr($item->getRealPath(), strlen($source) + 1);
if ($item->isDir()) {
$this->createDirectory($targetPath);
} elseif (!$pattern || preg_match($pattern, $item->getFilename())) {
copy($item->getRealPath(), $targetPath);
}
}
}
4. 最终打包操作
所有文件准备就绪后,执行一次性打包操作:
public function save(): void
{
parent::buildFromDirectory($this->tempDir);
$this->clearTempDir();
}
实现效果
经过上述优化后:
- 打包时间从 25 分钟缩短到不足 1 分钟
- 系统资源占用显著降低
- 打包过程更加稳定可靠
技术要点
- 临时目录策略:利用系统临时目录作为中间缓存,避免频繁的 Phar 写入操作
- 批量处理:收集所有文件后再统一打包,减少 I/O 操作次数
- 递归复制优化:高效处理大型目录结构
- 资源清理:打包完成后自动清理临时文件
总结
通过对 Phar 打包流程的重新设计,我们成功解决了 Hyperf 框架 Phar 打包的性能瓶颈问题。这种优化思路不仅适用于 Hyperf,也可以为其他 PHP 项目的 Phar 打包优化提供参考。关键点在于减少直接操作 Phar 包的次数,通过中间缓存实现批量处理,从而显著提升打包效率。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220