React内部让人迷惑的性能优化策略 React内部让人迷惑的性能优化策

【React内部让人迷惑的性能优化策略】大家好，我卡颂。
相比Vue可以基于模版进行编译时性能优化，React作为一个完全运行时的库，只能在运行时谋求性能优化。
这些优化对开发者大多是无感知的，但对项目进行性能优化时也常令开发者困惑。比如如下代码：

function App { const [num, updateNum] = useState(0); console.log('App render', num); useEffect(() => { setInterval(() => { updateNum(1); }, 1000) }, [])return ; }function Child() { console.log('child render'); return child; }

挂载App组件后，会打印几条信息呢？
本文就这个Demo讲解React内部的性能优化策略。

在线Demo地址

欢迎加入人类高质量前端框架群，带飞
性能优化的效果如果不考虑优化策略，代码运行逻辑如下：

App组件首次render，打印App render 0
子组件Child首次render，打印child render
1000ms后，setInterval回调触发，执行updateNum(1)
App组件再次render，打印App render 1
子组件Child再次render，打印child render
每过1000ms，重复步骤3～5

实际我们会发现，重复执行步骤3～5不会产生任何变化，这里显然是有优化空间的。
针对这种情况，React确实做了优化。上述Demo会依次打印：

App render 0
child render
App render 1
child render
App render 1

这里让人困惑的点在于：为什么num从0变为1后，App render 1执行了2次，而child render只执行了一次？
接下来，我们从理论和实际角度解释以上原因。
性能优化的理论在useState文档中提到了一个名词：bailout。
他指：当useState更新的state与当前state一样时（使用Object.is比较），React不会render该组件的子孙组件。
注意：当命中bailout后，当前组件可能还是会render，只是他的子孙组件不会render。
这是因为，大部分情况下，只有当前组件render，useState才会执行，才能计算出state，进而与当前state比较。
就我们的Demo来说，只有App render，useState执行后才能计算出num：

function App { // useState执行后才能计算出num const [num, updateNum] = useState(0); // ...省略 }

在useState not bailing out when state does not change #14994中，Dan也反复强调这一观点。
那么从理论看，在我们的Demo中，num从0变为1后，child render只执行了一次是可以理解的，因为App命中了bailout，则他的子组件Child不会render。
但是bailout只针对目标组件的子孙组件，那为什么对于目标组件App来说，App render 1执行了2次后就不再执行了呢？
实际的性能优化策略，还要更复杂些。
实际的性能优化策略 React的工作流程可以简单概括为：

交互（比如点击事件、useEffect）触发更新
组件树render

刚才讲的bailout发生在步骤2：组件树开始render后，命中了bailout的组件的子孙组件不会render。
实际还有一种更前置的优化策略：当步骤1触发更新时，发现state未变化，则根本不会继续步骤2。
从我们的Demo来说：

function App { const [num, updateNum] = useState(0); console.log('App render', num); useEffect(() => { setInterval(() => { updateNum(1); }, 1000) }, [])return ; }

正常情况，updateNum(1)执行，触发更新。直到App render，useState执行后才会计算出新的num，进而与当前的num比较，判断是否命中bailout。
如果updateNum(1)执行后，立刻计算出新的num，进而与当前的num比较，如果相等则组件树都不会render。
这种将计算state的时机提前的策略，叫eagerState（急切的state）。
总结综上所述，我们的Demo是混合了这两种优化策略后的结果：