《Android性能优化》一次失败的启动速度优化

news2024/11/17 2:51:31

正文

在优化APP启动之前,我们首先需要知道,APP启动时究竟发生了什么,才能有的放矢的优化。

APP的启动过程

APP的启动过程就是指,在手机屏幕上点击某个APP的图标,到APP的首页显示在用户面前的过程。
一般APP的启动过程分为一下几步:

  • Launcher通知AMS(ActivityManagerService)启动APP
  • AMS检查APP是否已经启动,如果已经启动,则直接唤醒即可。否则创建一个新的进程,AMS在新进程中创建一个ActivityThread对象,启动其中的main函数。
  • ActivityThread启动bindApplication,bindApplication通过反射创建APP中的Application
  • 启动之后通知AMS,AMS再通知APP启动xml中配置的Activity。
  • 首页Activity启动后调用onCreate方法,然后加载页面布局,布置屏幕,进行首桢绘制。

从APP的启动过程中看,程序员能优化的地方实际上非常少,主要就是Application的创建过程和首页Activity的绘制过程。

不过在优化之前,我们需要精确的知道APP的启动时间,以及各个方法执行的耗时

精确测量启动耗时

1.使用adb 命令获得启动耗时
例如,测量手机中默认浏览器的启动时长,在Android Studio的控制台运行如下指令即可,
adb shell am start -W com.android.browser/com.android.browser.BrowserActivity
其中com.android.browser和com.android.browser.BrowserActivity分别是浏览器的包名和指定浏览器Activity,实际开发中换成我们自己的包名和首页Activity即可。
运行结果如下

其中
ThisTime:最后一个activity的启动耗时
TotalTime:所有Activity的总启动耗时
WaitTime:AMS启动Activity的总耗时
使用adb命令获取的启动耗时,并不够绝对精确,不能为我们提供优化方向,只能大致反应一个APP的启动耗时。
2.使用埋点的方式获得方法的耗时
埋点的方式有很多中方式,因为埋点不是本文重点,这里只介绍一种最简单也最low的方式。例如,如果需要知道某个方法的执行时间,最简单的方式就是在方法的执行前记录一个时间点,然后在方法执行完毕后,再记录一个时间点,两个时间相减,就可以得出该方法的耗时。

        long time;
        time = SystemClock.currentThreadTimeMillis();
        initAMap();
        time = SystemClock.currentThreadTimeMillis() - time;

 

上述代码就可以得出 initAMap()的耗时了。

实际上,获取一个方法的精确执行耗时,还可以通过Android Studio中各种辅助工具,因为不是本文的重点,同时这些工具也有一定的学习成本,所以这里不再介绍,后续有时间再介绍。

启动优化

1.首页Activity设定不同的Theme
在APP开发中我们都会遇到启动页面白屏的问题,这主要就是,APP启动时会先创建一个空白的window导致的,这会让用户觉得app启动很慢,通过在AndroidManifest.xml中给首页Activity设定一个带有首页图片的主题,即可解决。具体代码,百度即可。需要注意的是,此种方式只能解决肉眼上的延迟,实际上APP的启动速度,并没有任何优化。
2.异步任务
我们公司的APP启动慢,主要是Application中大量的第三方和第一方框架在onCreate中初始化造成的,onCreate中的方法默认是在主线程中执行。既然如此,那就简单了,将这些初始化框架的方法放到子线程运行就可以。
实际执行后发现,app的启动速度确实奇迹般的快了不少,但是小范围上线后,就直接翻车了。
上线之后,后台监控显示部分手机的开屏页会出现空指针异常,调查之后发现,我们的APP开屏也会请求后台的热修复接口,并执行下载任务,在一部分手机,进入开屏页时,网络框架尚未初始化完毕,导致了网络操作出现空指针异常。
处理方式很简单,使用CountDownLatch。Application的onCreate方法是运行在主线程,如果子线程中初始化方法尚未执行完,主线程暂时阻塞不向后执行就可以了。
完整的代码如下:

    //cpu 核心数
    private static final int CPU_COUNT = Runtime.getRuntime().availableProcessors();
    //核心线程数
    private static final int CORE_POOL_SIZE = Math.max(2, Math.min(CPU_COUNT - 1, 4));
    //最大非核心线程数
    private static final int MAXIMUM_POOL_SIZE = CPU_COUNT * 2 + 1;
    //空闲时间
    private static final int KEEP_ALIVE_SECONDS = 30;
    //线程池
    public static final Executor THREAD_POOL_EXECUTOR;


    private static final ThreadFactory sThreadFactory = new ThreadFactory() {
        private final AtomicInteger mCount = new AtomicInteger(1);

        public Thread newThread(Runnable r) {
            return new Thread(r, "LaunchTask #" + mCount.getAndIncrement());
        }
    };
    //非核心任务线程队列
    private static final BlockingQueue<Runnable> sPoolWorkQueue =
            new LinkedBlockingQueue<Runnable>(128);

    static {
        ThreadPoolExecutor threadPoolExecutor = new ThreadPoolExecutor(
                CORE_POOL_SIZE, MAXIMUM_POOL_SIZE, KEEP_ALIVE_SECONDS, TimeUnit.SECONDS,
                sPoolWorkQueue, sThreadFactory);
        threadPoolExecutor.allowCoreThreadTimeOut(true);
        THREAD_POOL_EXECUTOR = threadPoolExecutor;
    }

    private CountDownLatch countDownLatch = new CountDownLatch(1);

    @Override
    public void onCreate() {
        super.onCreate();
        THREAD_POOL_EXECUTOR.execute(new Runnable() {
            @Override
            public void run() {
                try {
                    //模拟耗时的初始化操作
                    Thread.sleep(5000);
                } catch (InterruptedException e) {
                    e.printStackTrace();
                }
                initPush();
            }
        });
        THREAD_POOL_EXECUTOR.execute(new Runnable() {
            @Override
            public void run() {
                initHttp();
                //initHttp执行完毕
                countDownLatch.countDown();
            }
        });
        THREAD_POOL_EXECUTOR.execute(new Runnable() {
            @Override
            public void run() {
                initX5WebView();
            }
        });

        try {
            //在此处等待 initHttp执行完毕
            countDownLatch.await();
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
    }

 3.其他优化技巧
上面已经说到了,APP启动慢的原因主要在于大量的框架需要初始化,处了异步初始化以外,还有一些其他的注意要点:

  • 一些重量级且不重要的框架的初始化尽量将其移出Application,可以在用到它的时候再做初始化,具体需要根据业务作出判断。
  • SharedPreferences的初始化可以提前到attachBaseContext中。
  • 延迟子进程的开启时机,因为子进程会共享主进程的cpu资源。

结尾

总得来说,APP的启动优化是一个优先级并不高的优化方向,相对于内存优化、CPU优化、电量优化、网络优化等等,它对用户的影响并不大,从我个人接触过的APP来看,《掘金》就是一个启动比较慢的APP,从点击图标到看到开屏图片,平均比其他APP要慢上0.5秒左右。所以,一般来说,如果没有特殊要求,APP优化要以其他方向的优化为主。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/445685.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Web自动化测试简介及web自动化测试实战交教程

一、认识web自动化测试 1.什么是自动化测试&#xff1f; 自动化测试的概念: 软件自动化测试就是通过测试工具或者其他手段&#xff0c;按照测试人员的预定计划对软件产品进行自动化测试&#xff0c;他是软件测试的一个重要组成部分&#xff0c;能够完成许多手工测试无法完成或…

Linux网络服务----ftp

文章目录 一 、什么是FTP1.1 Standard模式&#xff08;主动模式&#xff09;1.2 Passive模式&#xff08;被动模式&#xff09; 二 、FTP的作用及工作原理2.1 FTP的作用和模式以及通信方式2.2 FTP的工作原理 三、搭建和配置FTP服务3.1 设置匿名用户访问的FTP服务(最大权限)3.2 …

优化改进YOLOv5算法之添加Res2Net模块(超详细)

目录 1 Res2Net 2 YOLOv5中添加Res2Net block 2.1 common.py配置 2.2 yolo.py配置 2.3.3 创建添加Res2Net block模块的YOLOv5的yaml配置文件 1 Res2Net 关于代表性计算机视觉任务的进一步消融研究和实验结果&#xff0c;即目标检测&#xff0c;类激活 mapping和显著目标检…

设计模式:行为型模式 - 观察者模式

文章目录 1.概述2.结构3.案例实现4.优缺点5.使用场景6.JDK中提供的实现 1.概述 定义&#xff1a; 又被称为发布-订阅&#xff08;Publish/Subscribe&#xff09;模式&#xff0c;它定义了一种一对多的依赖关系&#xff0c;让多个观察者对象同时监听某一个主题对象。这个主题对…

GEE:图像表达式计算——ee.Image.expression()详解

作者: _养乐多_ 在遥感图像处理和分析中,图像的表达式计算是一种常见的操作。利用 Google Earth Engine(GEE)平台的强大功能,可以方便地进行基于图像的表达式计算,从而实现对图像进行灵活、高效的处理和分析。 本文将介绍 GEE 平台中的 ee.Image.expression() 函数及其参…

Linux的虚拟地址空间与文件描述符

虚拟地址空间与文件描述符 虚拟地址空间文件描述符 虚拟地址空间 文件描述符

SAS学习第9章:卡方检验之适和性检验与独立性检验

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度&#xff0c;实际观测值与理论推断值之间的偏离程度就决定卡方值的大小&#xff0c;如果卡方值越大&#xff0c;二者偏差程度越大&#xff1b;反之&#xff0c;二者偏差越小&#xff1b;若两个值完全相等时&#xf…

在Windows10中安装WSL2(Ubuntu 22.04.2 LTS)

WSL1 和 WSL2 WSL 1 于 2016 首次发布&#xff0c;在 windows 系统中可以使用linux系统。 但是WSL1的缺点有&#xff1a; 文件 I/O 慢&#xff0c;尤其是在大量IO操作时&#xff0c;例如使用 git 克隆仓库&#xff1b;不支持内核程序&#xff1b; WSL 2 针对以上两个缺点进…

C. Nauuo and Cards(思维)

Problem - C - Codeforces Nauuo是一个喜欢玩纸牌的女孩。 —天&#xff0c;她在玩纸牌时发现牌被混入了一些空牌。 这里有n张编号为1到n的牌&#xff0c;并且它们被混入另外n张空牌中。她把这2n张牌堆起来并且从中取出n张。给定N& uuo手中的n张牌和余下的n张牌(按照从上到…

3天学会Pytest自动化测试框架,哭着都要给我看完

目录 【前言】 【什么是pytest】 【pytest的特点】 【pytest的使用方法】 【附加内容】 【总结】 【前言】 在软件开发过程中&#xff0c;自动化测试是提高软件质量和效率的重要手段之一。pytest作为Python编写的自动化测试框架&#xff0c;具有简单易用、灵活性强等优点…

<Linux>POSIX信号量

目录 什么是信号量 如何理解信号量的使用 基于环形队列的生产消费者模型 如上问题我们如何用编码保证 &#xff1f;(信号量) 编码&#xff1a; POSIX信号量和SystemV信号量作用相同&#xff0c;都是用于同步操作。POSIX可以用于线程同步。 信号量本质上就是一个计数器。 什…

TS数据类型

基本数据类型 null undefined number string boolean 对于基本数据类型&#xff0c;可以不写类型注解&#xff0c;ts能通过值来判断变量的类型 let nu null let un undefined let num 23 let str "sdfk" let isShow true引用数据类型 数组 写法1 let arr:…

iconik--AI智能媒体管理解决方案

ftrack于去年加入Backlight&#xff0c;旗下有Celtx, Iconik, Wildmoka, 和Zype。这些公司都为媒体、娱乐和视频领域的客户提供基于云的解决方案。 今天&#xff0c;我们就来隆重地介绍其中一款软件–iconik&#xff01;谷歌、VICE媒体、亚马逊旗下米高梅、Complex Networks和S…

【C++初阶】C++入门

⭐博客主页&#xff1a;️CS semi主页 ⭐欢迎关注&#xff1a;点赞收藏留言 ⭐系列专栏&#xff1a;C初阶 ⭐代码仓库&#xff1a;C初阶 家人们更新不易&#xff0c;你们的点赞和关注对我而言十分重要&#xff0c;友友们麻烦多多点赞&#xff0b;关注&#xff0c;你们的支持是我…

GMW协议

概述 回顾混淆电路的流程&#xff0c;一方生成加密真值表&#xff0c;另一方执行计算&#xff0c;门电路的输入通过主动发送和不经意传输索取实现&#xff0c;用这样的方式来达到多方计算中一些公平性。 那么是否可以让双方拥有更加对等的地位&#xff0c;让每个参与方都持有一…

华为OD机试真题(Java),数组合并(100%通过+复盘思路)

一、题目描述 现在有多组整数数组&#xff0c;需要将他们合并成一个新的数组。 合并规则从每个数组里按顺序取出固定长度的内容&#xff0c;合并到新的数组&#xff0c;取完的内容会删除掉。 如果改行不足固定长度&#xff0c;或者已经为空&#xff0c;则直接取出剩余部分的内…

Numpy从入门到精通——Numpy运算符|批处理

这个专栏名为《Numpy从入门到精通》&#xff0c;顾名思义&#xff0c;是记录自己学习numpy的学习过程&#xff0c;也方便自己之后复盘&#xff01;为深度学习的进一步学习奠定基础&#xff01;希望能给大家带来帮助&#xff0c;爱睡觉的咋祝您生活愉快&#xff01; 这一篇介绍《…

Android 项目编译 Gradle 配置说明

前言 Android 的Gradle版本更新换代还是很快的&#xff0c;更新换代除了功能上变得强大之外&#xff0c;还会出现很多意料之外的Bug&#xff0c;而很多开发者会被折磨的死去活来&#xff0c;下面我们来看有哪些编译配置。 正文 首先要知道什么时候会进行编译&#xff0c;有以下…

Efficient Attention: Attention with Linear Complexities

paper: https://arxiv.org/pdf/1812.01243.pdf 这里写目录标题 一、引言二、方法实现高效注意力的解释效率优势 三、实验消融插入层键的维度骨干架构 一、引言 注意机制在计算机视觉和自然语言处理中有着广泛的应用。最近的工作开发了点积注意力机制&#xff0c;并将其应用于…

MobileBERT模型简单介绍

目录 一、概要 二、深入扩展 2.1 知识蒸馏方法 2.2 渐进式知识迁移 一、概要 MobileBERT 可以看作一个“瘦身”后的BERT-large模型&#xff0c;其使用了瓶颈结构&#xff08;Bottleneck Structure&#xff09;&#xff0c;并且在自注意力和前馈神经网络的设计上也有一定的改…