Wagmi项目中useBlockNumber内存泄漏问题分析与解决方案
2025-06-04 20:57:15作者:傅爽业Veleda
问题背景
在Wagmi项目中,当开发者使用useBlockNumber({watch: true})钩子函数时,会出现严重的内存泄漏问题。具体表现为:每当新区块产生时,系统都会创建一个新的WebSocket订阅,而旧的订阅却不会被正确关闭。随着时间推移,这将导致内存耗尽,最终使RPC服务对客户端进行速率限制。
问题现象
开发者在使用该钩子时观察到以下异常行为:
- 每次区块更新都会创建新的WebSocket订阅
- 订阅数量随时间线性增长
- 当有多个组件使用该钩子时,问题会成倍恶化
- 最终导致内存耗尽和RPC服务限制
问题根源
经过深入分析,发现问题出在useWatchBlockNumber内部实现上。该钩子使用了React的useEffect来管理WebSocket订阅,但由于依赖项比较的问题,导致每次区块更新都会触发新的订阅创建,而旧的订阅却没有被正确清理。
具体来说:
useEffect依赖项中包含了一个对象,React使用Object.is进行严格相等比较- 每次渲染时,依赖对象都会被重新创建,导致React认为依赖项发生了变化
- 这触发了
useEffect的重新执行,创建新的订阅 - 清理函数虽然存在,但由于订阅管理不当,旧的订阅没有被正确关闭
解决方案
经过社区讨论和代码审查,最终确定了两种解决方案:
方案一:使用引用保持订阅对象
通过使用React的useRef来保持订阅对象的引用,确保useEffect只在组件挂载和卸载时执行一次:
const subscription = useRef<() => void>()
useEffect(() => {
const unsubscribe = watchBlockNumber(client, {
onBlockNumber: (blockNumber) => {
setBlockNumber(blockNumber)
},
chainId,
})
subscription.current = unsubscribe
return () => {
subscription.current?.()
subscription.current = undefined
}
}, [])
这种方法确保了:
- 订阅只创建一次
- 组件卸载时正确清理订阅
- 避免了不必要的重复订阅
方案二:利用Viem的observe机制
在底层Viem库中,watchBlockNumber已经内置了订阅管理机制。通过正确使用Viem的observe功能,可以避免重复订阅的问题:
useEffect(() => {
return observe(client, {
onBlockNumber: (blockNumber) => {
setBlockNumber(blockNumber)
},
chainId,
})
}, [])
这种方法更加简洁,且利用了底层库提供的订阅管理能力。
最佳实践建议
对于需要在应用中监听区块更新的开发者,建议:
- 尽量将区块监听逻辑提升到应用顶层,避免多个组件各自监听
- 使用Context API共享区块数据,而不是在每个需要的地方单独订阅
- 确保及时清理订阅,防止内存泄漏
- 考虑使用防抖或节流技术,避免过于频繁的更新
总结
Wagmi中的useBlockNumber内存泄漏问题是一个典型的React副作用管理不当导致的案例。通过正确管理订阅生命周期和利用底层库提供的功能,可以有效解决这类问题。开发者在使用这类实时数据订阅功能时,应当特别注意资源管理和清理工作,以确保应用的稳定性和性能。
该问题的解决也展示了开源社区协作的力量,通过开发者报告、社区讨论和代码贡献,最终找到了优雅的解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
热门内容推荐
最新内容推荐
绝杀 Tauri/Pake Mac 打包报错:`failed to run xattr` 的底层逻辑与修复方案避坑指南:Pake 打包网页为何“高级功能失效”?深度解析拖拽与下载的底层限制Tauri/Pake 体积极限优化:如何把 12MB 的应用无情压榨到 2MB 以内?受够了 100MB+ 的套壳 App?最强 Electron 替代方案 Pake 深度测评与原理解析告别臃肿积木!用 Pake 1 分钟把任意网页变成 3MB 桌面 App(附国内极速环境包)智能票务抢票系统:突破手动抢票瓶颈的效率革命方案如何利用Path of Building PoE2高效规划流放之路2角色构建代码驱动的神经网络可视化:用PlotNeuralNet绘制专业架构图whisper.cpp CUDA加速实战指南:让语音识别效率提升6倍的技术解析Windows 11系统PicGo高效解决安装与更新全流程指南
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
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++
941
868
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
394
292
暂无简介
Dart
911
219
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
894
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
198
昇腾LLM分布式训练框架
Python
142
168
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
557