你在 React 里具体做过哪些性能优化?

一、先给面试官一个总览(很重要)

在 React 项目中,我主要从 渲染控制、计算缓存、数据层、组件拆分 四个方面做过性能优化,针对的都是列表、表格和图表等高频性能瓶颈场景。


二、具体做过哪些优化(重点部分)


1️⃣ 列表 / 表格:虚拟列表(最硬核)

在性能查询和问题列表页面,数据量可能上千条,如果直接渲染会导致首屏和滚动卡顿。

做法:

  • 使用虚拟列表(如 react-window / AntD 虚拟表格)

  • 只渲染可视区域的 DOM

    <FixedSizeList
    height={500}
    itemCount={list.length}
    itemSize={48}

    复制代码
    {Row}

效果:

  • DOM 数量从几千降到几十

  • 滚动明显流畅

👉 这是面试官最认可的一点


2️⃣ useMemo:缓存计算结果(你前面问过)

一些表头配置、筛选后的数据、图表数据处理计算量比较大,如果每次渲染都重新计算,会有性能浪费。

复制代码
const columns = useMemo(() => getColumns(config), [config]);
const filteredList = useMemo(() => filterData(list, params), [list, params]);

关键点:

  • 只缓存 计算结果

  • 依赖必须准确


3️⃣ useCallback:稳定函数引用,减少子组件重渲染

在表格和列表中,我们会把事件处理函数传给子组件,如果每次渲染函数都变化,会导致子组件不必要的更新。

复制代码
const onRowClick = useCallback((row) => {
  setCurrent(row);
}, []);

配合:

复制代码
export default React.memo(Row);

4️⃣ React.memo:避免不必要的组件更新

对于纯展示组件,比如表格行、图表容器,我们使用 React.memo 包裹,只有 props 变化才重新渲染。

复制代码
const Row = React.memo(({ data }) => {
  return <div>{data.name}</div>;
});

5️⃣ 拆分组件,缩小更新范围(非常真实)

一开始筛选条件和列表在一个组件里,任何筛选变化都会导致整个页面重渲染,后来我们把筛选区、列表区、图表区拆成独立组件。

原则:

  • 状态就近管理

  • 减少顶层 state 数量


6️⃣ 图表性能优化(ECharts 场景)

图表数据量比较大,我们做了几件事:

  • 图表组件懒加载

  • 只有数据变化才重新 setOption

  • 数据变化时用 useMemo 预处理

    const chartOption = useMemo(() => buildOption(data), [data]);


7️⃣ 接口 & 渲染配合优化(不是只会 React)

我们也配合后端做了接口合并、分页和按需加载,避免一次性拉取大量数据。


三、你可以补一句"我怎么验证优化效果"(加分)

优化过程中我们会通过 Chrome Performance、React DevTools Profiler 观察组件渲染次数和耗时,确保优化是有效的。


四、总结一句话(收尾)

总体来说,我在 React 中主要通过 虚拟列表减少 DOM 数量,useMemo / useCallback 控制渲染,组件拆分缩小更新范围,再结合接口层面的优化,来保证在大数据量场景下页面依然流畅。


五、30 秒极速版(如果面试官催)

列表用虚拟列表,复杂计算用 useMemo,事件函数用 useCallback,配合 React.memo 减少无效渲染,再通过组件拆分和按需加载控制更新范围。


相关推荐
科研邪修法2 小时前
PDF新增页面文字与文本批注怎么区分?以双版本培训讲义为例
前端·css·pdf
Lanwarf-前端开发4 小时前
Vue3 + Canvas/WebGL 雷达扫描可视化实战:PPI、RHI、VOL、SVOL 四种模式原理与实现
前端·javascript·vue.js·webgl
FRing034 小时前
vue3干货总结2(vue3生命周期、父子通信、模版引用、provide和inject)
开发语言·前端·vue.js·vue3
Flynt4 小时前
我让 AI 给掘金首页做了次性能体检:LCP 8.9 秒是真的,但它判读错了一处
chrome·性能优化·mcp
Jame哥5 小时前
同步改异步 + 批量合并:P99 从 3.3s 到 106ms 的全过程
性能优化·异步·批量合并·p99
锋行天下6 小时前
langgraph 全栈项目(三)
前端·人工智能·后端
锋行天下7 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
锋行天下8 小时前
langgraph全栈项目(一)
前端·人工智能·后端
叼烟扛炮8 小时前
[LangChain] 学习笔记(15):为什么你的重试没用——429、抖动、fallback 与熔断
java·服务器·前端