Cashew项目中的类别删除性能问题解析
2025-06-29 09:37:40作者:余洋婵Anita
在开源财务管理应用Cashew中,开发团队发现了一个有趣的性能现象:删除类别(Category)的操作耗时与类别在列表中的位置呈现正相关关系。具体表现为,删除列表末尾的类别速度较快,而删除列表起始位置的类别则需要更长时间。这一现象背后涉及数据库设计和排序算法的技术考量。
技术背景
Cashew采用SQLite作为底层数据库存储方案。由于SQL标准本身不包含对记录显示顺序的强制保证,应用需要自行维护一个排序字段(通常命名为order或position)来实现用户自定义排序功能。这种实现方式是关系型数据库处理有序数据的常见模式。
问题本质
当用户删除某个类别时,系统需要执行两个关键操作:
- 删除目标记录本身
- 调整受影响记录的排序值
以包含5个类别的列表为例(排序值为1-5):
- 删除排序5的类别:只需删除单条记录
- 删除排序1的类别:需要删除目标记录,并将原排序2-5的记录全部更新为1-4
这种差异导致删除操作的时间复杂度从O(1)变为O(n),其中n表示需要更新的记录数量。
设计权衡
Cashew团队在设计时做了以下技术决策:
- 倒序存储:将新添加的类别默认放在列表顶部(排序值较小的一端),这样在频繁添加推荐标题时,可以避免大规模更新已有记录的排序值
- 批量写入:虽然删除操作可能涉及多条记录更新,但通过批量写入优化减少了数据库I/O次数
- 读写优化侧重:考虑到类别删除是低频操作,而列表读取是高频操作,优先保证读取性能
潜在优化方案
虽然当前实现已经考虑了性能平衡,但从技术角度仍有优化空间:
- 分离排序存储:将排序信息存储在单独的配置表中,更新时只需修改单条记录
- 稀疏排序值:采用间隔编号(如10,20,30...),为新条目插入预留空间
- 链表式存储:每个记录存储前后记录的ID,但会增加查询复杂度
实践建议
对于开发者实现类似功能时,建议:
- 明确操作频率特征,合理分配优化资源
- 在数据库设计中考虑排序操作的代价
- 对于用户自定义排序场景,推荐采用倒序设计减少高频操作的开销
- 在UI层面对可能耗时的操作添加加载状态提示
Cashew的这个案例很好地展示了在实际开发中如何平衡功能需求与性能考量,特别是在处理用户自定义排序这种常见但容易忽视性能陷阱的场景时,需要做出的技术决策。
登录后查看全文
热门项目推荐
相关项目推荐
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
24
9
Ascend Extension for PyTorch
Python
222
245
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
暂无简介
Dart
672
157
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++
661
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217