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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00