Preact 10.x版本中列表渲染顺序问题的分析与解决
2025-05-03 22:06:44作者:翟萌耘Ralph
问题背景
在Preact 10.16.0至10.22.0版本中,开发人员发现了一个关于列表渲染顺序的严重问题。当使用key属性渲染动态列表时,如果对数组进行重新排序(如洗牌操作),渲染结果会出现意外的顺序错乱。这个问题在10.15.0及以下版本中并不存在,表明这是在新版本中引入的回归问题。
问题复现
问题可以通过以下两种方式复现:
- 简单洗牌测试:
const jsx = (items) => (
<div>
{items.map((key) => (
<div key={key}>{key}</div>
))}
</div>
);
const a = ["0", "1", "2", "3", "4", "5", "6"];
const b = ["1", "3", "5", "2", "6", "4", "0"];
render(jsx(a), scratch);
render(jsx(b), scratch);
- 随机化压力测试:
it('handle shuffled', () => {
function randomize(arr) {
for (let i = arr.length - 1; i > 0; i--) {
let j = Math.floor(Math.random() * (i + 1));
[arr[i], arr[j]] = [arr[j], arr[i]];
}
return arr;
}
const a = Array.from({ length: 8 }).map((_, i) => `${i}`);
for (let i = 0; i < 10000; i++) {
const aa = randomize(a);
render(<App items={aa}/>, scratch);
// 验证渲染结果是否与输入顺序一致
}
});
技术分析
这个问题源于Preact 10.16.0中引入的"skew based diff"算法优化。该算法原本旨在提高列表渲染的性能,但在处理某些特定顺序的数组重排时会出现错误。
核心问题在于diff算法在比较新旧子节点时,没有正确处理所有可能的排列组合情况。特别是当数组中元素的位置发生大规模变动时,算法可能会错误地保留某些DOM节点的位置,而不是按照新的key顺序重新排列。
影响范围
该问题影响以下场景:
- 使用map渲染带key的动态列表
- 列表项顺序发生变化的场景(如排序、洗牌、过滤等操作)
- 特别是当列表长度较大且变化幅度较大时更容易出现
解决方案
Preact团队在发现问题后迅速响应,通过以下方式解决了问题:
- 修复了diff算法中的边界条件处理
- 增加了针对随机化输入的测试用例
- 确保算法能够正确处理所有可能的排列组合
最终的修复确保了列表渲染顺序始终与提供的key顺序一致,即使在高度随机化的输入下也能保持正确。
最佳实践
为避免类似问题,开发者应该:
- 始终为动态列表项提供稳定且唯一的key
- 在更新列表时,避免直接修改原数组,而是创建新数组
- 对于关键业务场景,考虑添加渲染结果的验证逻辑
- 保持Preact版本更新,以获取最新的稳定性修复
总结
这个案例展示了即使是经过充分测试的流行框架,在性能优化过程中也可能引入意外的回归问题。同时也体现了良好测试覆盖率的重要性,以及开源社区在发现问题后快速响应和修复的能力。对于开发者而言,理解框架内部工作原理有助于更快地定位和解决类似问题。
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
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
654
仓颉编程语言运行时与标准库。
Cangjie
141
878