《uni-app 长列表优化:虚拟列表(vue-virtual-scroller)解决 1000+ 数据渲染卡顿》(附虚拟列表封装与多端适配)

VIP《uni-app 长列表优化:虚拟列表(vue-virtual-scroller)解决 1000+ 数据渲染卡顿》(附虚拟列表封装与多端适配)
本文详细介绍了虚拟列表技术在前端长列表渲染中的优化方案。针对传统v-for渲染导致的性能问题(内存占用高、渲染阻塞、滚动卡顿),提出基于vue-virtual-scroller的虚拟列表解决方案,通过可视区域渲染和DOM复用实现性能突破。文章包含核心原理、组件封装、多端适配及性能对比,并给出常见问题的解决方法。实践表明,该方案可将1000条数据的首次渲染时间从3800ms降至420ms,滚动FPS提升至55帧,显著改善用户体验。
开通可读全文 ·2.1k 人阅读
最低0.47元/天 解锁文章

一、长列表渲染的 “性能黑洞”:传统方案的致命缺陷

在前端开发中,当列表数据量突破 1000 条时,若直接使用v-for指令进行渲染,将会触发一系列严重的性能问题,成为应用性能的 “黑洞”。这些问题不仅会显著降低用户体验,还可能导致应用崩溃。具体表现如下:

1. 内存爆炸

在现代移动端设备上,内存资源相对有限。当我们渲染 10000 条数据时,每个列表项都会生成对应的 DOM 元素,这些元素构建成的 DOM 树会占用大量内存空间。经测试,10000 条数据的 DOM 树可能会占用高达 2GB 甚至更多的内存,这远远超过了大多数移动端设备的内存阈值。一旦内存占用过高,系统会频繁进行垃圾回收,导致应用响应速度变慢,甚至出现闪退现象。

2. 渲染阻塞

首次渲染时,浏览器需要解析和渲染大量的 DOM 节点,这一过程会消耗大量的 CPU 资源。当数据量达到 1000 条以上时,首次渲染耗时可能超过 3 秒。在这段时间内,用户界面处于无响应状态,无法进行任何交互操作。而且,由于渲染过程阻塞了主线程,即使是简单的交互事件(如点击按钮),其响应延迟也可能高达 500ms,严重影响用户体验。

3. 滚动失帧

滚动操作是长列表应用中常见的交互行为。然而,在传统渲染方式下,当用户滚动列表时,浏览器需要重新计算和渲染所有可见区域的列表项。由于数据量过大,这一过程无法在 16.6ms(理想状态下 60FPS 的每一帧渲染时间)内完成,导致 FPS(每秒帧率)低于 10 帧。用户在滚动列表时,会明显感觉到卡顿现象,甚至出现白屏闪烁,极大地降低了应用的流畅度和可用性。

以电商商品列表为例,下面是一个典型的低效渲染代码示例:

<!-- 传统低效写法 -->
<scroll-view scroll-y class="goods-list">
  <view v-for="item in 2000" :key="item.id" class="goods-item">
    <image :src="item.img" />
    <text>{
  
  { item.name }}</text>
  </view>
</scroll-view>

经过实际测试,在 H5 端,该列表的加载耗时达到了 3.8 秒,用户需要等待较长时间才能看到页面内容;在微信小程序端,内存占用高达 320MB,严重消耗设备资源;并且在滚动过程中,卡顿率超过 30%,严重影响用户浏览商品的体验。这样的性能表现,在实际应用中是无法被用户接受的,因此,我们迫切需要寻找更高效的长列表渲染方案。

二、虚拟列表:只渲染 “看得见” 的智慧方案

1、核心原理

虚拟列表通过 “可视区域渲染 + DOM 复用” 实现性能突破,关键流程:

graph LR
A[监听滚动事件] --> B[计算可视区域范围]
B --> C[二分查找起始索引]
C --> D[截取可视+缓冲数据]
D --> E[更新渲染区域]
E --> F[回收滚出屏幕DOM]

在实际应用场景中,当列表数据量庞大时,传统渲染方式会导致浏览器内存占用飙升、页面卡顿。虚拟列表技术通过精准控制渲染范围,大幅提升渲染效率。具体而言:

可视区域计算:通过滚动容器高度与滚动距离,定位需渲染的数据区间。以手机端长列表为例,假设屏幕高度可显示 10 条数据,当用户滚动到第 50 条数据时,系统会根据滚动距离快速计算出当前可视区域的起始与结束索引,仅渲染第 46-55 条数据,避免无效渲染。

缓冲区设计:在可视区域前后增加额外数据(如 20 条),避免滚动白屏。这是因为当用户快速滑动列表时,如果没有缓冲区,新数据加载会出现短暂空白。缓冲区数据提前加载,确保用户滑动时内容无缝衔接,提升交互流畅度。

动态修正:实时测量实际高度,修正预估偏差(不定高列表核心)。对于包含图文混排、不同内容长度的列表,每个列表项高度存在差异。虚拟列表通过 ResizeObserver 或 MutationObserver 监听元素尺寸变化,动态更新可视区域计算结果,保证渲染的准确性。

2、vue-virtual-scroller 优势

vue-virtual-scroller 作为一款成熟的虚拟列表解决方案,在实际开发中展现出显著优势:

灵活布局支持:支持固定 / 动态高度列表,适配复杂布局。无论是电商商品列表(固定高度),还是社交媒体动态(动态高度),都能通过配置项轻松实现。例如,在动态高度模式下,开发者只需提供一个获取列表项高度的回调函数,组件就能自动处理高度计算与渲染逻辑。

高效 DOM 管理:提供 RecycleScroller 组件实现 DOM 回收复用。当列表项滚出可视区域后,组件会将其对应的 DOM 节点缓存,待有新数据进入可视区域时直接复用,避免频繁创建与销毁 DOM,降低内存开销。

多端无缝适配:多端兼容性强,可覆盖 H5 / 小程序 / App 端。基于 uni-app 的跨端特性,使用 vue-virtual-scroller 开发的虚拟列表无需针对不同端单独适配,一次开发即可在微信小程序、支付宝小程序、iOS/Android App 等平台流畅运行。

轻量化设计:轻量无依赖,压缩后体积仅 20KB。相比其他大型 UI 框架自带的列表组件,vue-virtual-scroller 不会引入冗余代码,在提升性能的同时,也能有效控制包体大小,优化应用加载速度。

三、实战:vue-virtual-scroller 集成与封装

1. 基础集成(3 步快速实现)

步骤 1:安装依赖

在项目根目录下执行以下命令安装 vue-virtual-scroller 依赖:

# 使用npm安装
npm install vue-virtual-scroller --save

# 或使用yarn安装
yarn add vue-virtual-scroller

注意事项:

        若项目使用 pnpm 管理依赖,可执行 pnpm add vue-virtual-scroller

        安装完成后需确保 package.json 文件中已新增 vue-virtual-scroller 依赖项

步骤 2:全局 / 局部引入

全局注册(推荐用于通用组件):

在 main.js 入口文件中添加以下代码,使 RecycleScroller 组件在全局可用:

import Vue from 'vue'
import { RecycleScroller } from 'vue-virtual-scroller'
import 'vue-virtual-scroller/dist/vue-virtual-scroller.css'

// 注册全局组件
Vue.component('RecycleScroller',
VIP H5动感歌词实现:KRC解析与Uni-App音频同步技术详解 在Web前端开发中,音频处理与动态渲染是构建富媒体应用的核心技术。其原理涉及音频时间轴的精确控制、二进制数据解析以及高性能动画渲染。这些技术为在线音乐、语音交互等场景提供了关键支持,能显著提升用户体验。本文聚焦于KRC歌词格式的解密与解析,通过异或算法处理加密数据,并详细探讨了在Uni-App H5环境下,如何利用CSS3动画与音频事件同步,实现流畅的动感歌词效果,解决了移动端性能优化与跨端通信等工程难题。 开通可读全文·369 阅读·11 点赞·6 收藏 阅读全文

相关推荐

uni-app的虚拟列表

【代码】uni-app的虚拟列表。

cyj0919的博客 2308

VirtualList.7z

duilib CListUI 控件修改, 实现虚拟列表功能, 可以动态加载50万条数据记录显示,实现加Demo ,有详细注释。

探索niri:让你的Linux桌面布局无拘无束

niri是一款基于Wayland的滚动平铺合成器,采用创新的窗口管理方式。它将窗口排列为向右无限延伸的条目,支持独立显示器布局和动态垂直工作区,确保多任务操作流畅性。核心功能包括概要视图、截图界面、屏幕投射、手势操作、窗口分组等,并支持自定义布局和动画效果。niri具备良好的稳定性,兼容xwayland-satellite工具,灵感来自PaperWM但突破了GNOME限制。该项目为追求高效桌面管理的用户提供了全新解决方案,欢迎加入社区交流体验。

weixin_44626085的博客 1819

Oracle EBS R12.2 安装 -- Step by Step

Oracle EBS R12.2 安装 -- Step by Step

Albert Tan DBA之路 1516

南邮-软件设计实验(C++版)

南邮软件设计 A档 一、分数统计 课题内容:   设计一个分数统计程序。包括学生信息的输入输出以及排序。通过该课题全面熟悉数组、字符串、文件的使用,掌握程序设计的基本方法及友好界面的设计。 课题要求: (1)输入某班级学生的姓名、分数; (2)对(1)的分数进行降幂排列并输出; (3)具有输入输出界面。 示例代码: #include<bits/stdc++.h> using...

Dainelcw 1万+

Codex 接入自定义大模型终极教程:插件解锁、会话管理、国产模型一键搞定

🚀 Codex 默认只能使用 OpenAI 官方模型?这篇文章带你从零接入 DeepSeek、通义千问、GLM 等国产大模型,并彻底解锁插件、会话删除、多模型切换等隐藏功能。配置原理、常见坑点、傻瓜式增强工具分享,小白也能轻松上手!🔥

XiaoqiangClub的博客 3164

CVAEGAN实现锂离子电池EIS数据增强:基于健康状态的阻抗谱生成

本文提出了一种基于CVAEGAN的锂离子电池EIS数据增强方法。该方法结合了变分自编码器和生成对抗网络的优点,能够根据指定的健康状态(SoH)生成高质量的EIS阻抗谱数据。文章详细介绍了数据预处理流程、模型架构设计(包括编码器、解码器和判别器),并提供了完整的PyTorch实现代码。通过条件生成的方式,该方法可以有效解决电池健康评估中标注数据不足的问题,为基于数据驱动的电池诊断提供更丰富的训练样本。实验结果表明,生成的EIS数据具有良好的真实性和多样性,可用于增强电池健康状态评估模型的性能。

huanghm88的专栏 503

YOLOv8【第十一章:视频追踪与流处理篇·第6节】BoT-SORT 改进:结合相机运动补偿(CMC)提升追踪稳定性!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 720

(11-3-03)多任务与元强化学习:综合实战:基于元强化学习的迷宫导航系统(3)

本文介绍了策略网络隐空间可视化的实现方法及其在强化学习中的应用。通过设计visualize_latent_space函数,使用t-SNE算法将高维隐空间特征降维至二维进行可视化,直观展示策略网络在不同任务中的特征分布。文章详细阐述了实现流程:状态收集、t-SNE降维和可视化绘图,并提供了完整的Python代码示例。实验结果表明,该方法能有效分析策略网络的学习过程与适应能力,为优化模型提供重要依据。同时,文章还介绍了主程序的完整流程,包括环境初始化、元智能体训练与评估、学习策略比较等环节,最后对实验结果进行可

码农三叔 1049

Cadence OrCAD Capture CIS元器件管理时ERROR(ORCIS-6454): Temporary part number tracking is turned on报错的解决方法

使用Part manager对工程的元器件进行批量管理时,出现如下图所示的ERROR(ORCIS-6454): Temporary part number tracking is turned on报错其解决方法如下。

fydar的博客 3512

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

上一篇: 《uni-app 首屏加载优化:从 3 秒到 1 秒,这些方案亲测有效》(预加载、分包加载、资源压缩、接口缓存)
下一篇: 《uni-app 小程序包体积优化:删除无用代码、图片压缩、分包加载,轻松过 2M 限制》(附微信小程序分包配置步骤)
卋罖750
博客等级 码龄5年 10粉丝 35原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值