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。
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
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00