Lighthouse项目中的性能标记未设置错误分析与解决方案
问题背景
在使用GoogleChrome/lighthouse项目进行网站性能分析时,开发者可能会遇到一个特定的错误:"SyntaxError: The 'start lh:runner:gather' performance mark has not been set"。这个错误通常出现在对某些特定网站进行性能测试时,表明Lighthouse在收集性能指标的过程中遇到了问题。
错误原因分析
该错误的核心在于Lighthouse的性能标记系统未能正确设置。性能标记是Lighthouse用来测量和分析网页加载过程中各个阶段耗时的关键机制。当系统无法找到预期的性能标记时,就会抛出这个错误。
深入分析后,我们发现以下几个可能导致此问题的原因:
-
异步操作处理不当:当使用Promise.race同时处理Lighthouse执行和超时控制时,可能导致Lighthouse的多个实例同时运行,造成性能标记系统混乱。
-
网站特定行为:某些网站可能采用了特殊的加载机制或反爬虫技术,干扰了Lighthouse的正常性能数据收集。
-
Chrome配置问题:不恰当的Chrome启动参数可能会影响Lighthouse的性能标记功能。
解决方案
1. 优化超时控制机制
不建议使用Promise.race来控制Lighthouse执行超时,因为这会带来以下问题:
- 无法真正终止正在运行的Lighthouse实例
- 可能导致多个Lighthouse实例同时运行
- 干扰性能标记的正常收集
推荐使用Lighthouse内置的maxWaitForLoad参数来控制等待时间,该参数专门为等待页面加载而设计,能更好地与Lighthouse内部机制协同工作。
2. 调整Chrome启动配置
可以尝试优化Chrome的启动参数,确保性能标记系统能够正常工作。以下是一些建议的配置:
{
chromeFlags: [
'--no-first-run',
'--headless=new',
'--no-zygote',
'--disable-gpu',
'--no-sandbox',
'--disable-dev-shm-usage'
]
}
3. 异常处理改进
在捕获异常时,应该确保所有Chrome实例都被正确清理:
try {
// Lighthouse执行代码
} catch (error) {
await chromeLauncher.killAll();
throw error;
}
最佳实践建议
-
避免并发执行:确保同一时间只有一个Lighthouse实例在运行,防止性能标记冲突。
-
合理设置超时:根据目标网站的实际情况调整maxWaitForLoad参数,一般建议设置在30-60秒之间。
-
环境隔离:为每次Lighthouse执行创建独立的Chrome实例,确保测试环境的纯净。
-
日志记录:详细记录Lighthouse版本、Chrome版本和环境信息,便于问题排查。
总结
Lighthouse作为强大的网站性能分析工具,在使用过程中可能会遇到各种环境相关的问题。理解性能标记系统的工作原理,合理配置执行环境,采用正确的超时控制策略,能够有效避免"performance mark has not been set"这类错误的发生。对于开发者而言,掌握这些调试技巧将大大提高使用Lighthouse进行网站性能分析的效率和准确性。
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