Nano Hash - криптовалюты, майнинг, программирование

Работа с большими коллекциями Backbone

Мы разрабатываем базовое приложение, в котором каждая серверная коллекция может содержать десятки тысяч записей. В качестве аналогии подумайте о том, чтобы войти в представление «Отправленные» приложения электронной почты.

В большинстве примеров Backbone, которые я видел, задействованные коллекции содержат не более 100-200 записей, поэтому получение всей коллекции и работа с ней в клиенте относительно просты. Я не верю, что это будет иметь место с гораздо большим набором.

Кто-нибудь работал с Backbone над большими коллекциями на стороне сервера?

  • Сталкивались ли вы с проблемами производительности (особенно на мобильных устройствах) при определенном размере коллекции?
  • Какие решения вы приняли относительно того, сколько получать с сервера?
  • Вы загружаете все или только подмножество?
  • Где вы размещаете логику вокруг любого пользовательского механизма (например, прототип коллекции?)
27.09.2011

Ответы:


1
  1. Да, при просмотре около 10 000 элементов старые браузеры плохо справлялись с отображением. Мы думали, что это проблема с пропускной способностью, но даже локально, с такой пропускной способностью, которую может выдать высокопроизводительная машина, Javascript просто потерял сознание. Это было верно для Firefox 2 и IE7; С тех пор я не тестировал его на больших системах.

  2. Мы пытались получить все. Это не работало для больших наборов данных. Особенно пагубно это было с браузером Android.

  3. Наши данные были в древовидной структуре, а другие данные зависели от наличия данных в древовидной структуре. Данные могут измениться из-за действий других пользователей или других частей программы. В конце концов, мы заставили древовидную структуру извлекать только видимые в данный момент узлы, а другие части системы независимо проверяли правильность наборов данных, от которых они зависят. Это состояние гонки, но в реальном развертывании мы никогда не видели никаких проблем. Я хотел бы использовать здесь socket.io, но руководство не поняло этого и не доверяло этому.

  4. Поскольку я использую Coffeescript, я просто унаследовал от Backbone.Collection и создал свой собственный суперкласс, который также создал пользовательский вызов sync(). Синтаксис для вызова метода суперкласса здесь действительно полезен:

    class Dataset extends BaseAccessClass
        initialize: (attributes, options) ->
            Dataset.__super__.initialize.apply(@, arguments)
            # Customizations go here.
    
27.09.2011
  • Спасибо за это, очень полезно 29.09.2011

  • 2

    Как сказал Эльф, вы действительно должны разбивать на страницы загрузку данных с сервера. Вы сэкономите большую нагрузку на сервере, загружая элементы, которые вам могут не понадобиться. Просто создание коллекции из 10 000 моделей локально в Chrome занимает полсекунды. Это огромная нагрузка.

    Вы можете поместить работу в другой физический поток ЦП с помощью рабочего процесса, а затем использовать временные объекты, чтобы отправить ее в основной поток, чтобы отобразить ее в DOM.

    Если у вас есть коллекция, то большой рендеринг в ленивом рендеринге DOM не поможет вам. Память будет медленно увеличиваться, пока не произойдет сбой браузера (что будет быстро на планшетах). Вы должны использовать пул объектов для элементов. Это позволит вам установить небольшой максимальный размер памяти и сохранить его там.

    Я создаю PerfView для Backbone, который может отображать 1 000 000 моделей и прокручивать со скоростью 120 кадров в секунду в Chrome. Весь код находится на Github https://github.com/puppybits/BackboneJS-PerfView. Он прокомментирован, поэтому есть много других оптимизаций, которые вам понадобятся для отображения больших наборов данных.

    22.10.2013
    Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..