Swift Composable Architecture 中 ForEach 滚动性能优化实践
前言
在 iOS 开发中,列表视图的性能优化一直是一个重要课题。最近在使用 Swift Composable Architecture (TCA) 框架时,开发者发现了一个有趣的性能问题:当使用标准的 TCA 方式构建列表时,快速滚动会出现卡顿现象,而通过一种特殊的优化方式可以显著提升性能。
问题现象
在 TCA 框架中,开发者通常会使用以下方式构建列表视图:
ForEach(store.scope(state: \.components, action: \.component)) { store in
CellView(store: store)
}
这种方式在快速滚动时会出现明显的卡顿和跳行现象。经过测试,开发者发现了一种性能更优的实现方式:
let storeScope = store.scope(state: \.components, action: \.component)
ForEach(0 ..< storeScope.count, id: \.self) { index in
let store = storeScope[_offset: index]
CellView(store: store)
}
问题分析
经过深入研究,这个问题实际上与 SwiftUI 在调试构建中的特殊处理有关。在 Xcode 16 的调试构建中,所有 SwiftUI 视图都会被包装在 AnyView 中,这是为了改进预览功能,但同时也带来了性能问题。
通过实验可以验证这一点:在 CellView 的 body 中添加打印语句会发现,所有 300 个视图都会立即"渲染",这与 List 和 ForEach 的预期行为不符。理想情况下,只有出现在屏幕上的行才应该计算其 body。AnyView 的包装使得这种优化行为无法实现,从而导致性能下降。
解决方案
-
发布构建测试:在发布模式下运行应用时,只有可见行的
body会被计算,性能会有显著提升。这是因为发布模式不会添加调试用的AnyView包装。 -
优化实现方式:如前面提到的第二种实现方式,通过预先计算
storeScope并直接使用索引访问,可以减少不必要的计算开销。 -
性能监控:在开发过程中,应该定期在真实设备上进行性能测试,特别是在处理大型列表时。
最佳实践建议
-
区分开发和生产环境:在开发阶段就注意性能差异,不要仅依赖调试模式的测试结果。
-
列表优化技巧:
- 尽量简化单元格视图的复杂度
- 使用
Identifiable协议确保正确的项标识 - 避免在单元格视图中进行复杂的计算
-
性能测试:对于关键性能路径,应该在发布配置下进行充分测试。
结论
这个问题提醒我们,在使用现代 SwiftUI 和 TCA 架构时,需要特别注意调试构建和发布构建之间的行为差异。虽然调试工具很有用,但它们可能会引入额外的开销,影响我们对应用真实性能的评估。通过理解底层机制并采用适当的优化技术,我们可以构建出既功能强大又性能优异的 SwiftUI 应用。
在实际项目中,建议开发者针对性能关键路径进行多环境测试,并保持对 SwiftUI 和 TCA 最新变化的关注,以便及时调整优化策略。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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