前端性能优化案例分析 前端性能优化总结(5篇)

总结不仅仅是总结成绩，更重要的是为了研究经验，发现做好工作的规律，也可以找出工作失误的教训。这些经验教训是非常宝贵的，对工作有很好的借鉴与指导作用，在今后工作中可以改进提高，趋利避害，避免失误。那么我们该如何写一篇较为完美的总结呢？下面是小编整理的个人今后的总结范文，欢迎阅读分享，希望对大家有所帮助。

前端性能优化案例分析 前端性能优化总结篇一

上面的脚本计算了 head 中的第一个 js脚本执行后加载页面所需的时间，但它没有给出任何关于从服务器获取页面所需的时间，或是页面初始化生命周期的信息。

由此我们可以计算旧文档的卸载、重定向、应用缓存、dns lookup、tcp 握手、 请求处理、 响应处理、dom 处理、document加载完成等页面性能打点。具体可以参考navigation-timing w3c的规范 和 几个页面关键指标是如何计算的

从上图中我们可以看出document processing是 navigation timing 独有的，后面我们也会介绍resource timing。整体而言 level 2 标准更加的全面，把web performance timing分成了各个 performance metric，看起来一目了然，然而各个主流浏览器还存在兼容性问题。

介绍完这两个performance navigation timing api，我们顺便再来看一下其余几个主要的performance timing api：resource timing api 、 paint timing api 和 long task timing api，以及如何使用performanceobrver异步获取性能数据。

performanceobrver 可以被动地订阅与性能相关的事件，也就是说这个 api 通常不会干扰页面主线程的性能，因为它的回调通常在空闲期间触发。默认情况下，performanceobrver 对象只能在条目出现时观察它们。如果想延迟加载性能分析代码（不阻止更高优先级的资源），我们需要这么做：

设置buffered 为true，浏览器将在第一次调用 performanceobrver 回调时返回其性能条目 缓冲区中的历史条目。

前端性能优化案例分析 前端性能优化总结篇二

（下文以2022年2月a频道页面为例，均为dummy仿造后数据，也不代表整体情况）

.如何衡量性能问题严重性

衡量性能问题严重性，是为了让大家意识到优化的必要性，以及急迫性

同.性能黑榜，不赘述

见下图“可交互时长分布图”，一个记录代表一个用户。

即使不去统计，我们都能很明显的看出来，这个a频道页面：

和开发说明问题严重性时，这个会很有代入感，比如见下图，10%的android用户在以上，是不是可以认为他们大部分都跳失了？

下图不用算都能明显发现，秒开率和 整体数据差异实在太大

.分析性能瓶颈-分析思路

首先要明确，性能分析主要是给相关页面的前端、开发同学看，给关心问题的测试同学看，所以我们可以拆分的更细节、更专业。可以先分前端、后端2个大类：

.分析性能瓶颈-前端环节

业务因素（具体不表），分终端是重点。

从可交互时长、秒开率、3秒+率、5秒+率，分别分析，都能论证--支付宝端问题更明显。

下图将t1~t9 每个阶段打点情况可视化，并分析重点环节的差值（打点逻辑由前端定义）

见图2可以明显观察到：

1、接口耗时太久，且后变差明显（可以去追溯下发生了什么）； 2、lbs获取耗时很久，高于平均1倍以上，而取lbs是a频道页的关键逻辑

我们根据手淘的高中低端机评判标准，埋点获得数据。平均时长，高中低各自占比，以及低端时长分布（也可选中高端）。下图可发现，低端机比例很低（需要思考是否有必要重点优化），但低端机超过3秒以上的比例远高于其他的（和总体的完全时间分布对比） 。

包括：机型、系统等，可做参考

.分析性能瓶颈-后端环节

主要从后端维度来分析

这里可见，下图尽管是开始发起请求-》收到请求的全过程，但也严重超标（几乎是标准值的2倍）

前端性能优化案例分析 前端性能优化总结篇三

通过线上用户的真实采集，并制定能反应用户体感的指标，进行性能黑榜和全局趋势分析。

从重点单点角度，我们通过性能黑榜；从整体视角，我们通过整体趋势分析。

.性能数据的采集

arms前端监控专注于对web场景、小程序场景的监控，从页面打开速度（测速）、页面稳定性（js诊断错误）和外部服务调用成功率（api）这三个方面监测web和小程序页面的健康度。

sls日志服务为log、metric、trace等数据提供大规模、低成本、实时的平台化服务。日志服务一站式提供数据采集、加工、查询与分析、可视化、告警、消费与投递等功能。

odps即maxcompute，是适用于数据分析场景的企业级saas模式云数据仓库。

fbi是阿里内的智能大数据分析和可视化平台，下面的所有截图都是在fbi平台配置图表而成，还未对外开放。

arms-sdk结合前端的自定义埋点，在海量用户访问的同时，就会自动上报数据到sls日志库，整体过程如下图：

.性能指标的确定

所有前台页面，每个用户每次浏览的有效数据（完全加载<15s 内有效）

指标的影响因子：从用户视角，页面流量越大，则对整体数据的影响越大（也就是权重越大）

这样做的好处：流量越大数值越严重的，优化的效果（正反馈）越明显，确定了治理性能问题的优先级。

结合淘系、以及集团其他部门的

.性能黑榜

为何要用性能黑榜来作为主要发现手段？我们通常可推理得：

（可根据各自业务，加个样本量的筛选，如我们看每日pv 10w以上的）

.整体性能趋势分析

整体趋势分析，即是为在整体角度，看我们的页面性能趋势，它是重要的度量指标。 这里我们把所有的流量都纳入，没有页面的区分，为的是基于用户维度，流量大的页面权重自然会更大。

从上图看，1月初到2月中旬的数据正在持续恶化，必须要采取措施治理！

前端性能优化案例分析 前端性能优化总结篇四

1、静态资源的压缩合并（js 代码压缩合并、css 代码压缩合并、雪碧图）

2、静态资源缓存（资源名称加 md5 戳）

      可以通过链接名称控制缓存：通过前端构建工具为打包的文件添加md5后缀，这样当打包上线时请求的链接发生改变，这样可以防止由于缓导致静态资源更新失效；

3、 使用 cdn 让资源加载更快

二.优化页面渲染

1、css 放前面，js 放后面

2、懒加载（图片懒加载、下拉加载更多）

先将src赋值成一个通用的预览图，下拉时候再动态赋值成正式的图片。如下，是预览图片，比较小，加载很快，而且很多图片都共用这个，加载一次即可。待页面下拉，图片显示出来时，再去替换src为data-src的值。（data-开头的属性浏览器渲染的时候会忽略掉，提高渲染性能）

3、减少dom 查询，对 dom 查询做缓存

4、减少dom 操作，多个操作尽量合并在一起执行（documentfragment）

dom 操作是非常耗费性能的，因此插入多个标签时，先插入 fragment 然后再统一插入 dom。因为fragment文档片段存在于内存中，并不在dom树中，所以将子元素插入到文档片段时不会引起页面回流。

5、事件节流

在开发过程中会遇到页面一些频繁触发的事件，比如mouover、scroll、resize等事件。一秒可以执行很多次，这样会造成严重的页面性能问题，导致页面c出现卡顿甚至浏览器崩溃。因此我们需要对事件进行节流，简单的说就是控制其执行的次数。这里就涉及到了常用到的js的节流和防抖功能实现。        1.防抖（debounce）：在事件被触发n秒后再执行回调，如果在这n秒内又被触发，则重新计时。

     2、节流（throttle）：规定一个单位时间，在这个单位时间内，只能有一次触发事件的回调函数执行，如果在同一个单位时间内某事件被触发多次，只有一次能生效。

6、尽早执行操作（domcontentloaded） 

前端性能优化案例分析 前端性能优化总结篇五

很多人都以为，前端性能优化，重点在“前端”优化，“测试”很难起到主导作用。试着换个角度，从整个研发团队视角看，前端做运动员专项治理，测试做裁判员专项评测，这套机制，是否更能切实做到优化，达成的数据也更让大家信赖？再者，测试不止局限于此，还可做队医、分析师。。。。

.可持续优化闭环

以下持续优化闭环，是我们摸索着实行了一年多，有效且高效的解法。

从上图看，整个过程为：

step0、前端事先进行埋点，（一般前端做了sdk，直接引入即可）

step1、测试通过性能黑榜，发现最为突出的重点性能问题页面（首屏平均时长&秒开率，pv&业务意义， 多项结合度量）

step2、协助前端一起专业分析问题页面，找出性能瓶颈点

step3、前端更有策略地针对性治理

step4、查看性能趋势变化，验证优化效果

step5、假设已达到优化预期，或者有更糟糕的页面把之前页面挤下去，继续关注黑榜前列的页面（即跳到step1，继续轮转）

我们可以发现，测试通过发现、分析、验证 三板斧，驱动推进页面性能优化。

.效果明显

从2021年10月份开始迭代以来，共发现了8类严重性能问题。

包括：端外（支付宝）性能问题，外投&跨端性能问题，pha架构性能问题，运营不规范配置导致、其他业务原因导致的性能问题等。

并且快速有效，在业务方或其他同学提过来之前，我们都已经发现并有了分析，在优化节奏上更具有主动性。