Excalidraw 项目中元素中心点计算的优化实践
2025-04-28 16:15:41作者:宗隆裙
在图形编辑工具 Excalidraw 的开发过程中,开发团队发现代码库中存在多处重复计算元素中心点的逻辑。这些重复代码不仅增加了维护成本,也容易导致不一致性问题。本文将详细介绍该问题的发现过程、解决方案以及实施细节。
问题背景
在 Excalidraw 这样的绘图应用中,经常需要计算各种图形元素的中心点坐标。原始代码中,开发人员直接在多个文件中重复使用相同的计算公式:x + width / 2, y + height / 2。这种重复代码存在几个明显问题:
- 代码冗余:相同的计算逻辑散布在多个文件中
- 维护困难:如果需要修改计算方式,需要修改多处代码
- 可读性差:直接使用公式不如命名良好的函数直观
解决方案
开发团队决定通过创建一个统一的工具函数来解决这个问题。具体方案包括:
- 在
packages/excalidraw/element/utils.ts文件中新增elementCenterPoint函数 - 该函数接收一个
ExcalidrawElement类型参数 - 返回一个
GlobalPoint类型的中心点坐标 - 重构所有使用原始计算公式的地方,改为调用这个新函数
实施细节
函数实现
新函数的核心实现非常简单:
export function elementCenterPoint(element: ExcalidrawElement): GlobalPoint {
return {
x: element.x + element.width / 2,
y: element.y + element.height / 2
};
}
这个实现虽然简单,但带来了几个好处:
- 集中管理:所有中心点计算逻辑集中在一处
- 类型安全:输入输出都有明确的类型定义
- 易于扩展:未来如果需要调整计算方式,只需修改这一处
重构范围
重构工作涉及多个核心功能模块,包括但不限于:
- 元素绑定:处理元素间的连接关系
- 碰撞检测:判断元素间是否发生重叠
- 元素裁剪:处理元素的裁剪操作
- 距离计算:计算元素间的空间距离
这些模块都需要频繁使用元素中心点坐标,通过统一函数调用,显著提高了代码的一致性和可维护性。
技术考量
在实现这个优化时,开发团队考虑了以下几个技术要点:
-
性能影响:新增函数调用是否会带来性能开销
- 经评估,现代JavaScript引擎对小型函数调用优化得很好
- 可读性和维护性提升的价值远大于微小的性能代价
-
类型系统:确保TypeScript类型定义准确
- 明确定义了输入参数和返回值的类型
- 利用了项目现有的类型体系
-
测试覆盖:确保重构不影响现有功能
- 依赖项目的单元测试保障重构安全
- 特别测试了边界情况(如零宽度/高度的元素)
最佳实践
通过这个案例,我们可以总结出一些适用于类似项目的代码优化实践:
- 识别重复模式:定期审查代码,寻找重复出现的计算模式
- 适时抽象:当相同逻辑出现3次以上时,考虑抽象为函数
- 命名清晰:工具函数名称应准确描述其功能
- 类型完善:充分利用类型系统提高代码可靠性
- 渐进重构:可以分阶段逐步替换旧实现,降低风险
总结
Excalidraw 项目通过将重复的元素中心点计算逻辑抽象为统一函数,显著提高了代码质量。这种做法不仅减少了代码重复,还增强了代码的可读性和可维护性,为未来的功能扩展打下了良好基础。对于类似的图形编辑项目,这种集中管理核心计算逻辑的模式值得借鉴。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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++
660
308
🔥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
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878