Android优化(一)_Java代码优化_从优化斐波那契数列带来的思路

性能优化总纲：

大概会花一个月左右的时间出7-8个专题来分享一下在工作和学习中积累下来的android性能优化经验。

希望大家会持续关注。

现在是专题一：java代码优化

但这也仅仅是为大家提供一些思路与较为全面的总结，算不上什么，希望有错误或问题在下面评论。

最后完结以后会将思维导图与优化框架整理出来，请期待。

题记：

如何确保Java应用在Android设备上获得高性能？首先要做的：知道Android是如何来执行代码的，然后再体会一下所谓的优化技巧，以及一些提高应用响应速度和高效使用数据库的技巧。

不过，你应该意识到，代码优化不是应用开发者的首要任务，提供良好的用户体验并且专注于代码的可维护性，才是我们的首要任务。事实上，代码优化应该最后才做，如果你的程序自我感觉达到一个可以接受的水平，甚至不需要代码优化。

一、我们先来看看Android是如何来执行代码的

Android→Java代码→Java字节码→Dalvik字节码→Dalvik虚拟机(4.4之前)
Android→Java代码→Java字节码→机器码(5.0之后)

i: Android 4.4 中谷歌为开发者提供了两种编译模式，一种是默认的Dalvik模式，而另外一种则是ART模式，5.0废弃Dalvik。

ii:本地代码直接由CPU执行，而不必由虚拟机解释执行；本地代码可以为特定架构予以优化。

iii:从用户的角度来看，如果可以在100ms或者更短的时间内计算完成，那就是瞬时计算。

JIT与Dalvik

JIT是"Just In Time Compiler"的缩写，就是"即时编译技术"，与Dalvik虚拟机相关。

怎么理解这句话呢？这要从Android的一些特性说起。

JIT是在2.2版本提出的，目的是为了提高Android的运行速度，一直存活到4.4版本，因为在4.4之后的ROM中，就不存在Dalvik虚拟机了。

我们使用Java开发android，在编译打包APK文件时，会经过以下流程

Java编译器将应用中所有Java文件编译为class文件

dx工具将应用编译输出的类文件转换为Dalvik字节码，即dex文件

之后经过签名、对齐等操作变为APK文件。

Dalvik虚拟机可以看做是一个Java VM，他负责解释dex文件为机器码，如果我们不做处理的话，每次执行代码，都需要Dalvik将dex代码翻译为微处理器指令，然后交给系统处理，这样效率不高。

为了解决这个问题，Google在2.2版本添加了JIT编译器，当App运行时，每当遇到一个新类，JIT编译器就会对这个类进行编译，经过编译后的代码，会被优化成相当精简的原生型指令码（即native code），这样在下次执行到相同逻辑的时候，速度就会更快。

当然使用JIT也不一定加快执行速度，如果大部分代码的执行次数很少，那么编译花费的时间不一定少于执行dex的时间。Google当然也知道这一点，所以JIT不对所有dex代码进行编译，而是只编译执行次数较多的dex为本地机器码。

有一点需要注意，那就是dex字节码翻译成本地机器码是发生在应用程序的运行过程中的，并且应用程序每一次重新运行的时候，都要做重做这个翻译工作，所以这个工作并不是一劳永逸，每次重新打开App，都需要JIT编译。

另外，Dalvik虚拟机从Android一出生一直活到4.4版本，而JIT在Android刚发布的时候并不存在，在2.2之后才被添加到Dalvik中。

ART与AOT

AOT是"Ahead Of Time"的缩写，指的就是ART(Anroid RunTime)这种运行方式。

前面介绍过，JIT是运行时编译，这样可以对执行次数频繁的dex代码进行编译和优化，减少以后使用时的翻译时间，虽然可以加快Dalvik运行速度，但是还是有弊病，那就是将dex翻译为本地机器码也要占用时间，所以Google在4.4之后推出了ART，用来替换Dalvik。

在4.4版本上，两种运行时环境共存，可以相互切换，但是在5.0+，Dalvik虚拟机则被彻底的丢弃，全部采用ART。

ART的策略与Dalvik不同，在ART 环境中，应用在第一次安装的时候，字节码就会预先编译成机器码，使其成为真正的本地应用。之后打开App的时候，不需要额外的翻译工作，直接使用本地机器码运行，因此运行速度提高。

当然ART与Dalvik相比，还是有缺点的。

ART需要应用程序在安装时，就把程序代码转换成机器语言，所以这会消耗掉更多的存储空间，但消耗掉空间的增幅通常不会超过应用代码包大小的20%

由于有了一个转码的过程，所以应用安装时间难免会延长

但是这些与更流畅的Android体验相比而言，不值一提。

通过前面背景知识的介绍，我终于可以更简单的介绍这四个名词之间的关系了：

JIT代表运行时编译策略，也可以理解成一种运行时编译器，是为了加快Dalvik虚拟机解释dex速度提出的一种技术方案，来缓存频繁使用的本地机器码
.

ART和Dalvik都算是一种Android运行时环境，或者叫做虚拟机，用来解释dex类型文件。但是ART是安装时解释，Dalvik是运行时解释
.

AOT可以理解为一种编译策略，即运行前编译，ART虚拟机的主要特征就是AOT

二、几点优化技巧

优化思路一：

微小的优化：当n等于0或者1的时候直接返回n，而不是在另外一个if语句中来检查n是否等于0或1.

public class Fibonacci{
     public static long computeRecursively(int n){
          if(n>1) return computeRecursivelv(n-2) + computeRecursivelv(n-1);
          return n;
     }
}

优化思路二：以优化斐波那契数列为例，简单谈谈思想

1、首次优化是消除一个方法调用

public class Fibonacci{
     public static long computeRecursively(int n){
          if(n>1) {
               long result = 1;
                   do {
                        result += computeRecursivelyWithLoop(n-2);
                        n--;
                       }while (n>1)
                        return result;
                       }
                       return n;
                      }
            }

2、第二次优化会换成迭代实现：尤其是在没有多少内存的时候，递归算法往往要消耗大量栈空间，有可能导致栈溢出，让应用崩溃。

public class Fibonacci{
     public static long computeRecursively(int n){
          if(n>1) {
               long a= 0,b = 1;
               do {
                long tmp = b;
                b += a;
                a = amp;
    
               }while (--n>1)
                return b;
           }
   return n;
  }
}

3、到三次稍加修改，每次迭代计算两项，迭代总数少了一半。由于long型只有64位，在斐波拉契数列的第92项，会出现溢出，导致结果错误，第93项会变成负的。

    public class Fibonacci{
         public static long computeRecursively(int n){
          if(n>1) {
               long a= 0,b = 1;
           n--;
           a = n & 1;
           n /= 2;


           while (n-->0){
            a += b;
            b += a;
   
           }
           return b;
          }
          return n;
}

4、第四次用BigInteger，保证了不会溢出，但是速度再一次降了下来：1、BigInteger是不可变的 2、BigInteger使用BigInt和本地代码实现 3、数字越大，相加运算所花的时间越大

public class Fibonacci{
 public static BigInteger computeIterativelvFasterUsingBigInteger(int n){
  if(n>1) {
   BigInteger a,b = BigInteger.ONE;
   n--;
   a = BigInteger.valueOf(n & 1);
   n /= 2;


   while (n-->0){
    a=a.add(0);
    b=b.add(a);
   
   }
   return b;
  }
  return n==0?BigInteger.ZERO : BigInteger.ONE;
}

5、第五次改进算法来减少分配数量。基于斐波那契Q-矩阵，我们会有一个算法公式来加快速度。

6、第六次使用BigInteger和基本类型Long的快速递归实现

            当n>92时才使用BigInteger来进行运算，这样我们做以上运算会快20倍。

7、第七次使用BigInteger和预先计算结果递归快速实现......

> 好了，到了这里应该发现优化往往使源代码更难于阅读、理解和维护，而且，会有越来越少的人来能理解你写的代码的含义，代码复杂到笔者已经不想写了。而且，好的算法是无穷无尽的，只不过可能更复杂罢了，那我们费尽力气计算出来的结果，不能白白浪费(代价太高了)，所以我们考虑到了缓存。

result = cache.get(n);//输入参数n作为键

if(result = null){

    //如果在缓存中没有result值，就计算出来存进去    

    result = computeResult(n);

    cache.put(n,result);//n作为键，result作为值

}

return result;

8、考虑计算代价过高，最好把结果缓存起来，安卓定义的SparseArray类，比HashMap更高效（Integer和int区别）

public class Fibonacci{
 public static BigInteger computeRecursivelyWith Cache(int n){
  SparseArray cache = new SparseArray();
  return computeRecursivelyWithCache(n,cache);
    }


    private static BigInteger computeRecursivelyWithCache(int n,SparseArray cache){
     if(n>92) {
   BigInteger fN = cache.get(n);
    if(fN == null){
     int m = (n/2) +(n&1);
     BigIntger fM = computeRecursiveWithCache(m,cache);
     BigIntger fM_1 = computeRecursiveWithCache(m - 1,cache);
     if((n&1)==1){
     fN = fm.pow(2).add(fM_1.pow(2));
     }else{
      fN = fM_1.shiftLeft(1).add(fM).multiply(fM);
     }
     cache.put(n,fN);
    }
    return fN;
  
   
   }
   return BigInteger.valueOf(iterativeFaster(n));
  }
  private static long iterativeFaster(int n){
   ...
  }
    } 
}

另外值得一提的是LRUCache算法，同样对应着一个MRUCache算法

这个类是Android3.1引入的，可以在创建的时候自定义缓存的长度，另外，可以通过复写sizeof()方法改变每个缓存条目计算大小的方式。

LRU（Least Recently Used）缓存县丢弃最近最少使用的项目，不过在某些分情境中我们还可能用到MRUcache丢弃最近最多使用的项目。这两种算法现在在这里不深入讨论，等以后有机会分享数据结构在详谈。

最后我们得出一个结论，我们对一个场景进行优化，往往有很多方式，但是某一种实现一般不是最好的解决方式，最好的结果就是结合多种不同的技术，而不是只依赖于其中一个，例如更快的实现可以用预计算、缓存机制、甚至采用不同的数学公式。

三、API

一般我们在manifest中应该使用元素制定以下三个重要的信息

最低API等级(mainSdkVersion)

期望API等级(targetSdkVersion)

最高API等级(maxSdkVersion)

要注意一点：过期的不能使用

另外注意：可以用新API来获取最好的性能，也可以在旧平台上正常运行

例如：

android6.0权限问题

android3.0以下兼容属性动画等。

sparseArray的使用：

if(Build.VERSION.SDK_INT >= Build.VERSION_CODES.HONEYCOMB){

    sparseArray.removeAt(1);//11以上

} else {

    int key = sparseArray.keyAt(1);//默认实现慢一些

    sparseArray.remove(key);

}

如不想用上面的方法来检测版本号，还可以用反射来确认是否有特定方法，但是有一点，在性能至关主要的地方应尽量避免使用反射。替代的办法是在静态初始化代码块里调用Class.forName()和Class.getMethod()确认指定方法时否存在，在性能要求高的地方只调用Method.invoke()就好了。

四、数据结构

通过上面斐波那契数列实现证明，好的算法和数据结构是实现快速应用的关键。java.util包中已经定义好了很多我们可以随手拿来用的工具了，比如各种集合。Android还定义了一些为了解决性能问题而生的类：

LruCache

SparseArray

SparseBooleanArray

SparseIntArray

Pair

数据结构还是和上面一样等以后有机会再讨论。

五、响应能力

让用户真正感觉到快才行，比如延迟加载技术。

通常我们的做法是在组件的onCreate()方法中执行所有初始化。虽然这样做可行，但这意味着onCreate()需要较长的时间才能结束。

这一点对应用的ACtivity尤为重要，onStart()直到onCreate(）方法之后才会被调用(同样，onResume(）只有在onStart(）完成之后才会被调用）.

任何的延迟都会导致应用需要较长时间才嗯那个启动，用户最终可能会感到难以忍受。

让你的主线程只做下面这种事情：
- 按键接收
- 绘制View
- 产生生命周期方法

来简单说一下用户感受：当用户感觉到你的应用有卡顿的时候，好感度就会降低，到一定临界点后，就再见了.

那么，什么时候才是感觉到卡顿的，一般我们人眼看到的图像帧率为60fps的时候，会感到比较流畅，换算成时间就是0.016s/帧，如果你的应用某个点再0.016s之内没有渲染完成，就会造成所谓的卡顿，那么从优化的角度来说，除了改变GPU，我们能做的事情，就是减少布局的嵌套与ViewStub推迟对象创建。当然你可以用视图树来检测，那不是在代码优化的范围内了，所以知道就好。

Android使用android.view.ViewStub来推迟初始化，它可以在运行时展开资源。当View-Stub需要展现时，它被相应的资源展开替换，自己就成为得待垃圾回收的对象。

由于内存分配需要花时间，等到对象真正需要时才进行分配，也是一个很好的选择。当某个对象并不是立即就要使用时，推迟创建对象有着很明显的好处。下面代码是退出初始化的示例：为了避免总是检查对象是否为空，考虑使用工厂方法模式。

int n = 100;
if(cache == null){
 //createCache分配缓存对象，可以从许多地方调用它
 cache = createCache();
}
BigInteger fN = cache.get(n);
if(fN == null){
 fN = Fibonacci.computeRecurivelyWithCache(n);
 cache.put(n,fN);
}

六、SQLite:

大多数应用都不会是SQLite的重度使用者，因此，不用太担心与数据库打交道时的性能(对数据库有大量使用请参考我的另一篇文章《三个方面解决性能问题》）。不过。在优化应用中SQLite相关的代码时，需要了解几个概念：

1、SQLite语句

2、事务

3、查询

因为普通的sql语句是简单的字符串，需要解释或者编译才可以执行。当你执行SQL语句时，例如：

SQLiteDatabase db = SQLiteDatabase.create(null);//数据库在内存中
db.execSQL("CREATE TABLE cheese(name TEXT,origin TEXT)");
db.execSQL("INSERT INTO cheeese VALUES ('Roquefort','Roquefort-sur-Solulzon')");
db.close();//关闭数据库

事实证明，执行SQLite的语句可能需要一段较长时间。除了编译，语句本身还需要创建。现在我们只关心INSERT的性能，毕竟，表只会创建一次，但会添加，修改，删除多次。

例如：String sql = "INSERT INTO cheese VALUES(\"" +name +"\",\"" + origin +"\")"';

这样的650条数据到内存数据库中用时393ms，平均一条0.6ms。

那么第一个优化方案是用StringBuilder或String.format()来替代“+”

builder.appended(name).append("\",\"").addped(origin).append("\")");
String sql = String.format("INSERT INTO cheese VALUES(\"%s\",\"%s\")")",name .origin);

上面这两个方案大概能快几十毫秒。

第二种方案：我们发现所有的语句都非常相似，所以可以使用一个语句，让一部分在循环外只编译一次：

public void populateWithCompileStatement(){
 SQLiteStatement stmt = db.compileStatement("INSERT INTO cheese VALUES(?,?)");
 int i = 0;
     for(String name : sCheeseNames){
          String origin = sCheeseOrigins[i++];
          stmt.clearBingings();
          stmt.bindString(1,name);//替换第一个问号name
          stmt.bingString(2,origin);//替换第二个问号为origin
          stmt.executeInsert();
     }
}

因为只进行了一次语句编译，而不是650次，并且绑定值是比编译更轻量级的操作，所以这种方法明显快多了、总共用时269ms。

事务：上述例子并没有显示创建任何事务，但会自动为每个插入操作创建一个事务，并在每次插入后立即提交。显示创建事务有以下两个基本特征：

原子提交

性能更好

抛开对性能的追求，第一个特性是很重要的。原子提交意味着数据库的所有修改都完成或都不做。事务不会只提交部分修改。如上面代码，加入事务之后

try{

db.beginTransaction();

SQLiteStatement stmt = db.compileStatement("INSERT INTO cheese VALUES(?,?)");
 int i = 0;
     for(String name : sCheeseNames){
          String origin = sCheeseOrigins[i++];
          stmt.clearBingings();
          stmt.bindString(1,name);//替换第一个问号name
          stmt.bingString(2,origin);//替换第二个问号为origin
          stmt.executeInsert();
     }

db.setTransactionSuccessful();//删除这一调用不会提交任何改动！

} catch(e..){

//异常处理

}finally{

db.endTransaction();//必须写在finally里

}

查询：我们可以用限制数据库的访问方式来加快查询速度，尤其是对存储中的数据库。数据库查询仅会返回一个cursor(游标)对象，然后用它来遍历结果。

查询的时候，尽量只读取需要的数据。例如假设我们的表有两列，name和origin：

db.query("cheese,null,null,null,null,null,null");(1)

db.query("cheese",new String[]{"name"},null,null,null,null,null);(2)

查询一定量的数据两种方法分别用时61ms,23ms

所以，可以肯定，只读取需要的数据才是上上之选。

七、总结：

几年前，java由于性能问题而广受诟病，现在情况已大有改观。

每次发布新版本Android时，Dalvik虚拟机(包括它的JIT编译器)的性能都会有所提升。

代码可以编译为本地代码，从而利用最新的CPU架构，而不必重新编译。

虽然实现很重要，但最重要的还是慎选数据结构和算法。

好的算法可以弥补差的实现，甚至不需要优化就可以使应用流畅运行；而坏的算法无论你在实现上花费多少精力，其结果还是会很糟糕。

最后，响应顺畅是成功的关键。