NGXS状态管理库中的NaN值导致的选择器性能问题解析
2025-06-20 00:52:17作者:邓越浪Henry
问题背景
在NGXS状态管理库中,选择器(selector)的memoization(记忆化)机制是提升性能的关键特性。它通过缓存计算结果,避免在相同输入下重复计算。然而,当选择器返回NaN(Not a Number)值时,这一机制会出现意外行为。
问题现象
当存在以下情况时:
- 一个选择器返回NaN值
- 另一个选择器依赖这个返回NaN的选择器
此时,依赖NaN的选择器会在任何状态变更时都重新计算,即使其输入实际上没有变化。这导致了严重的性能问题,因为无关的状态变更也会触发不必要的重新计算。
根本原因
这个问题的根源在于JavaScript的一个特殊行为:NaN !== NaN。在JavaScript中,NaN是唯一一个不等于自身的值。NGXS内部使用严格相等(===)来比较前后值是否相同,以决定是否需要重新计算。当选择器返回NaN时,每次比较都会认为值发生了变化,因为NaN !== NaN始终为true。
技术细节
NGXS的选择器memoization机制通常工作流程如下:
- 存储上一次的计算结果
- 当状态变化时,获取新的输入值
- 比较新旧值是否相同
- 如果相同,返回缓存结果;如果不同,重新计算
对于NaN值的特殊处理缺失,导致了这个流程在第三步出现意外行为。
解决方案
借鉴其他成熟库(如memoize-one)的处理方式,可以修改值比较逻辑,特殊处理NaN情况。具体实现可考虑:
function isEqual(a, b) {
if (a !== a) { // 仅当a是NaN时为true
return b !== b; // 仅当b也是NaN时为true
}
return a === b;
}
这种处理方式能够正确识别两个NaN值是"相等"的,从而保持memoization的有效性。
影响范围
这个问题影响所有使用NGXS且有以下特征的场景:
- 选择器计算过程中可能产生NaN值
- 存在选择器链式依赖关系
- 应用中状态变更频繁
特别是在涉及数学计算、表单验证或数据转换的场景中容易出现此问题。
最佳实践
为避免此类问题,开发者可以:
- 在选择器中避免直接返回NaN,可考虑返回null或undefined
- 对可能产生NaN的计算进行包装处理
- 在依赖数学计算的选择器中添加NaN检查
总结
NGXS作为Angular生态中重要的状态管理解决方案,其性能优化机制需要处理JavaScript的各种边界情况。这个NaN导致的memoization失效问题提醒我们,在状态管理设计中需要考虑语言特性的所有可能性。通过合理的值比较策略,可以确保选择器在各种情况下都能正确工作,保持应用的高性能。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler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。C030
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
最新内容推荐
TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
426
3.26 K
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++
689
335
暂无简介
Dart
686
161
Ascend Extension for PyTorch
Python
231
265
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
React Native鸿蒙化仓库
JavaScript
266
326
🎉 (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
1.22 K
667
🔥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
65
19
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
25
30