性能优化-网页加载耗时数据的搜集

性能优化-网页加载耗时数据的搜集

最近需要针对现有的一些线上产品，进行优化工作。首先得对这些产品的性能做一个统计，找出目前问题最严重的，优先进行改进。前面我都是通过在自己本地电脑上测试，利用诸如YSLOW、PageSpeed之类的工具来检测性能。但是通过这些方法，得到的结果都是比较理想的，没有并发因素，网络也因为是内网环境，非常给力，每个产品体现出来都还挺快。因此最终还是决定搜集用户端真实的页面加载耗时来作为参考标准。

在考虑如何搜集用户端数据的过程中，一开始，是准备在页面上通过JS进行埋点，类似这种方式：

<script>
T = T || {};
T.beforeHead = new  Date().getTime();
</script>

在页面的不同点记录时间戳，最终在load完成后，统计发送到服务端进行分析。但是搜索了网上的资料，发现这种形式存在一些弊端：

1.这会驱使JS引擎比平时更早的加载

2.让HTML和JS的解析器频繁更换上下文

3.嵌入的JS代码片段会阻塞剩余资源的加载

4.不能捕获到网络延迟的时间消耗(服务器到客户端的这一个时间消耗)

5.new Date().getTime()在各个浏览器中，平均耗时为7.5ms，你的应用越简单，那么这个时间消耗对你性能测试结果的影响就会越大

6.这种埋点方式也增加了性能测试的工作量，因为你需要花费额外的时间来维护这些JS片段

 

由于需要测试的产品有多个，理想的情况是自己写一个脚本，然后每个产品页面引入一下，自动完成这部分工作。有鉴于上述几个因素，又经过网上的一些搜索，发现了雅虎前端编写的一个性能统计工具：BOOMERANG，利用这个工具可以自动的完成页面加载时间的统计。它提供的统计项比较多，由于我们需要用到的功能只有前端整个页面的加载耗时，因此我从其源码中把该功能摘录了出来，实现的原理是利用W3C提供的Navigation Timing API来获取打开页面时的时间戳，然后当页面load完成后，通过new Date().getTime()获取时间戳，两者相减极为页面加载的完整时间。注意目前仅IE9、Chrome6+浏览器实现了该API。下面是获取页面打开时间戳的代码：

var  _initStartTime = function  () {
    var  performance, startTime = false ;
    performance = window.performance || window.msPerformance || window.webkitPerformance || window.mozPerformance;

    if  (performance && performance.timing && performance.timing.navigationStart) {
        startTime = performance.timing.navigationStart;
    // Chrome Browser
    } else  if (window.chrome && window.chrome.csi && window.chrome.csi().startE) {
        startTime = w.chrome.csi().startE;
    // The Google Toolbar exposes navigation start time similar to old versions of chrome
    // This would work for any browser that has the google toolbar installed
    } else  if (window.gtbExternal && window.gtbExternal.startE()) {
        startTime = window.gtbExternal.startE();
    }
    // 解决火狐7.8的bug
    if  (navigator.userAgent.match(/Firefox\/[78]\./)) {
        this .navigationStart = performance.timing.unloadEventStart || performance.timing.fetchStart || undefined;
    }

    return  startTime;
};

通过这种方式，就可以得到较为准确的耗时数据了。

在内网环境我自己电脑上，测试产品C的页面耗时均值约为1秒；而通过上面的方法，统计线上用户端的时间消耗均值，约为4秒。两者差异相当大，可见我们的产品优化潜力还是非常大的。