QuickJS-NG 中的 FinalizationRegistry 与垃圾回收机制问题分析
背景介绍
FinalizationRegistry 是 JavaScript 中一个相对较新的 API,它允许开发者注册对象在被垃圾回收时执行回调函数。这个功能在某些特殊场景下非常有用,比如资源清理、内存监控等。然而在 QuickJS-NG 项目中,用户报告了一个关于 FinalizationRegistry 与垃圾回收机制配合工作异常的问题。
问题现象
用户提供了一个简单的测试用例,展示了在 QuickJS-NG 中 FinalizationRegistry 的行为与预期不符:
(async () => {
const loggingFinalizer = new FinalizationRegistry((x) => {
console.log('FINALIZING', x)
});
{
let obj = { name: 'John' };
loggingFinalizer.register(obj, obj.name);
obj = null;
}
if ('tjs' in globalThis) globalThis.tjs.engine.gc.run();
if ('gc' in globalThis) globalThis.gc();
await new Promise((r) => setTimeout(r, 1000));
})();
按照 JavaScript 规范,这段代码应该输出"FINALIZING John",但在 QuickJS-NG 中却没有任何输出,程序直接退出。相比之下,在 Deno 环境下(使用 V8 引擎)运行相同的代码则表现正常。
技术分析
FinalizationRegistry 的工作原理
FinalizationRegistry 是 ES2021 引入的特性,它提供了一种机制来观察对象何时被垃圾回收。其核心工作流程是:
- 创建一个 FinalizationRegistry 实例,并指定回调函数
- 使用 register() 方法注册需要监视的对象
- 当注册的对象变得不可达时,垃圾回收器会在某个时刻调用注册的回调
QuickJS-NG 的实现差异
QuickJS-NG 是基于 QuickJS 的增强版本,而 QuickJS 本身是一个轻量级的 JavaScript 引擎。与 V8 这样的全功能引擎相比,它在垃圾回收和 FinalizationRegistry 的实现上可能有以下差异:
- 垃圾回收策略不同:QuickJS 可能采用了不同的垃圾回收算法,导致对象回收的时机与 V8 不同
- FinalizationRegistry 实现完整性:轻量级引擎可能没有完全实现规范中的所有边缘情况
- 强制GC的差异:不同引擎暴露给JavaScript的GC接口可能有不同的行为
问题根源
从代码提交记录来看,这个问题已经被修复。修复可能涉及以下方面:
- 确保 FinalizationRegistry 回调在对象被回收时正确触发
- 改进垃圾回收器与 FinalizationRegistry 的集成
- 修正强制GC操作对FinalizationRegistry的影响
解决方案与最佳实践
对于遇到类似问题的开发者,可以考虑以下建议:
- 明确GC行为:不同JavaScript引擎的垃圾回收行为可能不同,不要依赖特定的GC时机
- 谨慎使用FinalizationRegistry:这个API本身就有不确定性,规范不保证回调何时执行
- 替代方案:对于资源清理等场景,考虑使用显式的dispose模式或try-finally
- 测试多环境:在依赖GC相关特性时,需要在目标环境中充分测试
总结
QuickJS-NG 作为一个轻量级 JavaScript 引擎,在实现 ECMAScript 新特性时可能会与主流引擎存在行为差异。这次 FinalizationRegistry 的问题展示了垃圾回收相关API实现的复杂性。开发者在使用这些高级特性时应当注意引擎差异,并关注项目的更新以获取问题修复。
这个案例也提醒我们,JavaScript 生态中不同引擎的实现差异仍然是需要关注的问题,特别是在使用较新或较高级的语言特性时。
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