ZLPhotoBrowser中AVAsset.tracks(withMediaType:)性能问题分析与优化
问题背景
在iOS多媒体开发中,处理视频资源时经常需要获取视频轨道信息。ZLPhotoBrowser作为一款功能强大的图片选择器,在预览视频时使用了AVFoundation框架中的tracks(withMediaType:)方法来获取视频轨道信息。然而,随着iOS系统的更新,这个方法在iOS 18上出现了明显的性能问题。
问题分析
AVAsset.tracks(withMediaType:)是AVFoundation框架中用于获取特定类型媒体轨道的方法。在iOS 15之前,这是获取视频轨道信息的常用方式。然而,随着系统更新,这个方法在性能上出现了以下问题:
- 同步加载问题:该方法会同步加载轨道信息,可能导致主线程阻塞
- 资源消耗大:对于某些视频格式,解析轨道信息需要较多计算资源
- 兼容性问题:在iOS 15及更高版本中,苹果已标记该方法为不推荐使用
技术细节
在ZLPhotoBrowser的ZLNetVideoPreviewCell中,原始代码使用如下方式获取视频轨道:
if let videoTrack = item.asset.tracks(withMediaType: .video).first {
// 处理视频轨道信息
}
这种方式在iOS 18上会导致明显的卡顿,特别是在处理多个视频或高分辨率视频时。卡顿的主要原因包括:
- 主线程阻塞:同步加载轨道信息会阻塞UI线程
- 资源加载延迟:AVAsset可能需要先加载媒体数据才能获取轨道信息
- 变换计算开销:获取naturalSize和preferredTransform需要额外计算
优化方案
针对这个问题,我们可以采用以下几种优化策略:
1. 使用异步加载方式
苹果推荐使用loadValuesAsynchronously(forKeys:completionHandler:)异步加载资源属性:
asset.loadValuesAsynchronously(forKeys: ["tracks"]) {
DispatchQueue.main.async {
if asset.statusOfValue(forKey: "tracks", error: nil) == .loaded {
let tracks = asset.tracks(withMediaType: .video)
// 处理轨道信息
}
}
}
2. 使用推荐的替代API
iOS 15引入了新的AVAssetTrack查询API,性能更优:
let videoTracks = try await asset.load(.tracks)
let videoTrack = videoTracks.first(where: { $0.mediaType == .video })
3. 缓存计算结果
对于重复访问的视频资源,可以缓存轨道信息计算结果:
struct VideoTrackCache {
static let shared = VideoTrackCache()
private var cache = [URL: CGRect]()
mutating func getFrame(for url: URL, completion: @escaping (CGRect) -> Void) {
if let frame = cache[url] {
completion(frame)
return
}
// 异步计算并缓存结果
}
}
实现建议
针对ZLPhotoBrowser的具体场景,建议修改calculatePlayerFrame(for:)方法的实现:
- 将同步调用改为异步方式
- 添加默认帧大小作为fallback
- 考虑使用新的Swift并发模型(如async/await)
- 添加错误处理和超时机制
示例改进代码:
private func calculatePlayerFrame(for item: AVPlayerItem, completion: @escaping (CGRect) -> Void) {
let asset = item.asset
asset.loadValuesAsynchronously(forKeys: ["tracks"]) { [weak self] in
guard let self = self else { return }
DispatchQueue.main.async {
if asset.statusOfValue(forKey: "tracks", error: nil) == .loaded,
let videoTrack = asset.tracks(withMediaType: .video).first {
let size = videoTrack.naturalSize.applying(videoTrack.preferredTransform)
let videoRect = self.calculateFrame(with: size)
completion(videoRect)
} else {
completion(self.bounds)
}
}
}
}
private func calculateFrame(with videoSize: CGSize) -> CGRect {
let videoWHRatio = abs(videoSize.width) / abs(videoSize.height)
let cellWHRatio = zl.width / zl.height
if videoWHRatio > cellWHRatio {
let videoH = zl.width / videoWHRatio
return CGRect(x: 0, y: (zl.height - videoH) / 2, width: zl.width, height: videoH)
} else {
let videoW = zl.height * videoWHRatio
return CGRect(x: (zl.width - videoW) / 2, y: 0, width: videoW, height: zl.height)
}
}
兼容性考虑
在实现优化方案时,需要考虑不同iOS版本的兼容性:
- 对于iOS 15+设备,优先使用新的异步API
- 对于旧版系统,保持原有逻辑但改为异步执行
- 添加适当的API可用性检查
性能测试建议
实施优化后,建议进行以下测试:
- 主线程响应时间测试
- 内存使用情况监控
- 多视频连续预览的流畅度测试
- 不同分辨率和格式视频的处理测试
总结
在ZLPhotoBrowser中处理视频预览时,应当避免在主线程同步调用tracks(withMediaType:)方法。通过采用异步加载、使用新API和合理缓存等优化策略,可以显著提升视频预览的流畅度和用户体验。随着iOS系统的更新,开发者需要及时跟进AVFoundation框架的最新变化,采用推荐的最佳实践来保证应用的性能和稳定性。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00