基于 ECharts 实现动态图表渲染支持10万+数据点实时更新方案

引言

实现支持10万+数据点实时更新的动态图表渲染确实具有挑战性,尤其是在性能和用户体验方面。以下是一些关键点和应用场景:

关键挑战

  1. 性能优化

    • 渲染性能:大量数据点会导致浏览器渲染压力大,可能引发卡顿。
    • 数据处理:实时更新需要高效的数据处理和传输机制。
  2. 内存管理

    • 内存占用:大量数据点会占用大量内存,需优化内存使用。
    • 垃圾回收:频繁的数据更新可能触发垃圾回收,影响性能。
  3. 用户体验

    • 响应速度:用户期望图表能快速响应,数据量大时需确保流畅性。
    • 交互体验:缩放、平移等操作在大数据量下应保持流畅。

解决方案

  1. 数据聚合

    • 降采样:通过聚合减少数据点,如取平均值或最大值。
    • 分块加载:按需加载数据,减少初始加载压力。
  2. Web Workers

    • 后台处理:使用Web Workers在后台处理数据,避免阻塞主线程。
  3. Canvas vs SVG

    • Canvas:适合大数据量,渲染性能较好。
    • SVG:适合交互复杂但数据量较小的场景。
   // 使用 Canvas 渲染(默认)
const chart = echarts.init(document.getElementById('chart'), null, { renderer: 'canvas' });// 使用 SVG 渲染
const chart = echarts.init(document.getElementById('chart'), null, { renderer: 'svg' });
  1. GPU加速
    • WebGL:利用WebGL进行GPU加速渲染,提升性能。

应用场景

  1. 金融领域

    • 股票市场:实时显示大量股票数据。
    • 交易监控:监控高频交易数据。
  2. 物联网

    • 传感器数据:实时显示大量传感器数据。
    • 设备监控:监控设备状态和数据。
  3. 科学计算

    • 实验数据:实时显示实验数据。
    • 模拟结果:显示大规模模拟结果。
  4. 网络监控

    • 流量监控:实时显示网络流量数据。
    • 安全监控:监控网络安全事件。

示例代码

以下是一个简单的ECharts折线图示例,展示如何实现动态更新:

<!DOCTYPE html>
<html>
<head><title>ECharts Dynamic Chart</title><script src="https://cdn.jsdelivr.net/npm/echarts@5.3.2/dist/echarts.min.js"></script>
</head>
<body><div id="chart" style="width: 100%; height: 600px;"></div><script>const chartDom = document.getElementById('chart');const myChart = echarts.init(chartDom);let data = [];let now = new Date();const option = {title: { text: 'Dynamic Data' },tooltip: { trigger: 'axis' },xAxis: { type: 'time' },yAxis: { type: 'value' },series: [{ name: 'Data', type: 'line', data: data }]};myChart.setOption(option);setInterval(() => {const randomValue = Math.random() * 1000;now = new Date(+now + 1000);data.push({ name: now.toString(), value: [now, randomValue] });if (data.length > 100000) {data.shift();}myChart.setOption({ series: [{ data: data }] });}, 1000);</script>
</body>
</html>

具体实现

在 ECharts 中,使用 LTTB 算法(Largest Triangle Three Buckets)和 Web Workers 是两种常见的大数据量优化技术。下面我会详细解释这两种技术的原理,具体的优化案例如下。


1. LTTB 算法(降采样)

LTTB 是一种用于时间序列数据降采样的算法,能够在保留数据趋势的同时,显著减少数据点的数量。

原理
  • LTTB 通过将数据分成多个桶(buckets),然后从每个桶中选择一个最具代表性的点(通常是三角形的面积最大的点)。
  • 这种方法能够在减少数据量的同时,保留数据的关键特征(如峰值、谷值)。
适用场景
  • 数据量非常大(如 10万+ 数据点)。
  • 需要保留数据的整体趋势,而不需要每个细节。
实现步骤
  1. 将原始数据分成固定数量的桶。
  2. 对每个桶,计算三角形面积,选择面积最大的点作为代表点。
  3. 将选出的点作为降采样后的数据。
代码示例
function lttb(data, threshold) {const dataLength = data.length;if (threshold >= dataLength || threshold === 0) {return data; // 无需降采样}const sampledData = [];const bucketSize = (dataLength - 2) / (threshold - 2); // 每个桶的大小let a = 0; // 初始点let maxAreaPoint;let maxArea;let area;sampledData.push(data[a]); // 保留第一个点for (let i = 0; i < threshold - 2; i++) {let avgX = 0;let avgY = 0;let start = Math.floor((i + 1) * bucketSize) + 1;let end = Math.floor((i + 2) * bucketSize) + 1;end = end < dataLength ? end : dataLength;for (let j = start; j < end; j++) {avgX += data[j][0];avgY += data[j][1];}avgX /= (end - start);avgY /= (end - start);let pointA = data[a];maxArea = area = -1;for (let j = start; j < end; j++) {area = Math.abs((pointA[0] - avgX) * (data[j][1] - pointA[1]) -(pointA[0] - data[j][0]) * (avgY - pointA[1])) / 2;if (area > maxArea) {maxArea = area;maxAreaPoint = data[j];}}sampledData.push(maxAreaPoint);a = data.indexOf(maxAreaPoint);}sampledData.push(data[dataLength - 1]); // 保留最后一个点return sampledData;
}// 示例数据
const rawData = [];
for (let i = 0; i < 100000; i++) {rawData.push([i, Math.sin(i / 1000) * 1000]); // 10万条数据
}// 降采样到 1000 个点
const sampledData = lttb(rawData, 1000);
优化效果
  • 数据量从 10万+ 减少到 1000 个点。
  • 渲染性能显著提升,同时保留了数据的整体趋势。

2. Web Workers(多线程处理)

Web Workers 是一种浏览器提供的多线程技术,可以在后台线程中处理数据,避免阻塞主线程,从而提升页面响应速度。

适用场景
  • 数据处理任务较重(如降采样、数据过滤、复杂计算)。
  • 需要实时更新图表(如每秒更新一次)。
实现步骤
  1. 创建一个 Web Worker 脚本,用于处理数据。
  2. 在主线程中,将数据发送到 Web Worker。
  3. Web Worker 处理完数据后,将结果返回给主线程。
  4. 主线程更新图表。
代码示例
  • Web Worker 脚本(worker.js)
    self.addEventListener('message', (event) => {const { data, threshold } = event.data;const sampledData = lttb(data, threshold); // 使用 LTTB 算法降采样self.postMessage(sampledData); // 将结果返回主线程
    });function lttb(data, threshold) {// LTTB 算法实现(同上)
    }
    

self介绍

self 是 Web Workers 中的一个全局对象,代表 Worker 线程本身。在 Web Workers 的上下文中,self 类似于浏览器主线程中的 window 对象,但它指向的是 Worker 的全局作用域。


1. self 的作用

  • 在 Web Workers 中,self 用于访问 Worker 线程的全局作用域。
  • 通过 self,可以监听消息、发送消息、加载脚本等。

2. self 的常用方法

  • self.addEventListener:监听事件(如 message 事件)。
  • self.postMessage:向主线程发送消息。
  • self.importScripts:加载外部脚本。
  • self.close:关闭 Worker 线程。

3. selfthis 的区别

  • 在 Web Workers 中,selfthis 通常指向同一个对象(即 Worker 线程的全局作用域)。
  • 但在某些情况下(如箭头函数中),this 的行为可能会发生变化,因此推荐使用 self

4. 代码示例

以下是一个简单的 Web Worker 示例,展示了 self 的用法:

主线程代码
// 创建 Worker
const worker = new Worker('worker.js');// 向 Worker 发送消息
worker.postMessage({ data: 'Hello from main thread!' });// 监听 Worker 返回的消息
worker.addEventListener('message', (event) => {console.log('Received from worker:', event.data);
});
Worker 线程代码(worker.js)
// 监听主线程发送的消息
self.addEventListener('message', (event) => {console.log('Received from main thread:', event.data);// 向主线程发送消息self.postMessage('Hello from worker thread!');
});

5. self 的其他用途

  • 加载外部脚本

    self.importScripts('script1.js', 'script2.js');
    
  • 关闭 Worker

    self.close(); // 关闭 Worker 线程
    

6. 总结

  • self 是 Web Workers 中的全局对象,代表 Worker 线程本身。
  • 通过 self,可以监听消息、发送消息、加载脚本等。
  • 在 Worker 中,推荐使用 self 而不是 this,以确保代码的清晰性和一致性。

如果你在项目中使用 Web Workers,理解 self 的作用和用法是非常重要的!

  • 主线程代码
    const worker = new Worker('worker.js');// 发送数据到 Web Worker
    worker.postMessage({ data: rawData, threshold: 1000 });// 接收处理后的数据
    worker.addEventListener('message', (event) => {const sampledData = event.data;myChart.setOption({series: [{ data: sampledData }]});
    });
    
优化效果
  • 数据处理在后台线程中完成,主线程不会被阻塞。
  • 页面响应速度更快,用户体验更流畅。

7. 完整优化案例

结合 LTTB 算法和 Web Workers,一个完整的优化案例:

场景
  • 10万+ 数据点实时更新(每秒更新一次)。
  • 需要保留数据趋势,同时确保页面流畅。
实现步骤
  1. 使用 Web Workers 在后台线程中对数据进行降采样。
  2. 主线程接收降采样后的数据,并更新图表。
  3. 使用 Canvas 渲染模式,确保高性能。
代码
<!DOCTYPE html>
<html>
<head><title>ECharts 优化案例</title><script src="https://cdn.jsdelivr.net/npm/echarts@5.3.2/dist/echarts.min.js"></script>
</head>
<body><div id="chart" style="width: 100%; height: 600px;"></div><script>const chartDom = document.getElementById('chart');const myChart = echarts.init(chartDom, null, { renderer: 'canvas' });// 初始数据let rawData = [];for (let i = 0; i < 100000; i++) {rawData.push([i, Math.sin(i / 1000) * 1000]);}// 配置 Web Workerconst worker = new Worker('worker.js');worker.postMessage({ data: rawData, threshold: 1000 });worker.addEventListener('message', (event) => {const sampledData = event.data;myChart.setOption({series: [{ data: sampledData }]});});// 实时更新数据setInterval(() => {rawData.shift(); // 移除第一个点rawData.push([rawData.length, Math.sin(rawData.length / 1000) * 1000]); // 添加新点worker.postMessage({ data: rawData, threshold: 1000 });}, 1000);</script>
</body>
</html>
优化效果
  • 数据量从 10万+ 减少到 1000 个点。
  • 数据处理在后台线程中完成,主线程流畅。
  • 图表每秒更新一次,用户体验良好。

8. 总结

  • LTTB 算法:用于降采样,减少数据量,同时保留数据趋势。
  • Web Workers:用于多线程处理数据,避免阻塞主线程。
  • 结合使用:在实时更新和大数据量场景下,显著提升性能和用户体验。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/898830.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

装饰器模式 (Decorator Pattern)

装饰器模式 (Decorator Pattern) 是一种结构型设计模式,它动态地给一个对象添加一些额外的职责,就增加功能来说,装饰器模式相比生成子类更为灵活。 一、基础 1 意图 动态地给一个对象添加一些额外的职责。 就增加功能来说,装饰器模式相比生成子类更为灵活。 2 适用场景 当…

【Java】TCP网络编程:从可靠传输到Socket实战

活动发起人小虚竹 想对你说&#xff1a; 这是一个以写作博客为目的的创作活动&#xff0c;旨在鼓励大学生博主们挖掘自己的创作潜能&#xff0c;展现自己的写作才华。如果你是一位热爱写作的、想要展现自己创作才华的小伙伴&#xff0c;那么&#xff0c;快来参加吧&#xff01…

蓝桥杯C++基础算法-0-1背包

这段代码实现了一个经典的0-1 背包问题的动态规划解法。0-1 背包问题是指给定一组物品&#xff0c;每个物品有其体积和价值&#xff0c;要求在不超过背包容量的情况下&#xff0c;选择物品使得总价值最大。以下是代码的详细思路解析&#xff1a; 1. 问题背景 给定 n 个物品&am…

html5炫酷的科技感3D文字效果实现详解

炫酷的科技感3D文字效果实现详解 这里写目录标题 炫酷的科技感3D文字效果实现详解项目概述核心技术实现1. 3D文字效果2. 故障艺术效果&#xff08;Glitch Effect&#xff09;3. 动态网格背景4. 扫描线效果5. 粒子效果 性能优化考虑技术难点与解决方案项目总结扩展优化方向 项目…

车道保持中车道线识别

需要让小车保持车道行驶&#xff0c;首先需要进行车道线识别。 也可参看论文&#xff08;上传到资源里&#xff09;&#xff1a;自动驾驶汽车车道检测与预测的技术解析-基于图像处理和Hough变换的方法 1 车道识别流程 想进行车道线识别&#xff0c;并且希望在图像中选择一个特…

英伟达有哪些支持AI绘画的 工程

英伟达在AI绘画领域布局广泛&#xff0c;其自研工具与第三方合作项目共同构建了完整的技术生态。以下是其核心支持AI绘画的工程及合作项目的详细介绍&#xff1a; 一、英伟达自研AI绘画工具 1. GauGAN系列 技术特点&#xff1a;基于生成对抗网络&#xff08;GAN&#xff09;&…

驱动开发的引入

1.引入 Linux内核的整体架构本就非常庞大&#xff0c;其包含的组件也非常多。而我们怎样把需要的部分都包含在内核中呢? 一种方法是把所有需要的功能都编译到Linux内核中。这会导致两个问题&#xff0c;一是生成的内核会很大&#xff0c;二是如果我们要在现有的内核中新增或删…

AI日报 - 2025年3月24日

&#x1f31f; 今日概览&#xff08;60秒速览&#xff09; ▎&#x1f916; AGI突破 | Lyra生物序列建模架构效率惊人 在100生物任务中达最优&#xff0c;推理速度提升高达12万倍 ▎&#x1f4bc; 商业动向 | OpenAI用户破4亿&#xff0c;Meta与Reliance探讨AI合作 生态扩展与全…

VMware上对CentOS7虚拟机进行磁盘扩容、缩容

在VMware 17 Pro上对CentOS 7虚拟机进行磁盘扩容&#xff0c;同时保证原先部署的软件正常使用&#xff0c;可以按照以下步骤进行操作&#xff1a; 一、扩容 步骤一&#xff1a;关闭虚拟机并在VMware中扩展磁盘容量 关闭虚拟机&#xff1a;在VMware Workstation 17 Pro中&…

.gitignore使用指南

.gitignore使用指南 目录 什么是.gitignore为什么需要.gitignore如何创建.gitignore文件.gitignore文件的语法规则 忽略单个文件忽略目录忽略特定类型的文件不忽略特定文件或目录递归匹配 示例.gitignore文件注意事项更多特殊场景匹配规则 忽略多个特定后缀的文件忽略特定目录…

OpenCV旋转估计(3)帮助构建一个最大生成树(Maximum Spanning Tree)函数findMaxSpanningTree()

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 cv::detail::findMaxSpanningTree 是 OpenCV 中用于图像拼接工作流的一个函数&#xff0c;它帮助构建一个最大生成树&#xff08;Maximum Spanni…

Android在kts中简单使用AIDL

Android在kts中简单使用AIDL AIDL相信做Android都有所了解&#xff0c;跨进程通信会经常使用&#xff0c;这里就不展开讲解原理跨进程通信的方式了&#xff0c;最近项目换成kts的方式&#xff0c;于是把aidl也换成了统一的方式&#xff0c;其中遇到了很多问题&#xff0c;这里…

论文阅读:2024-NAACL Semstamp、2024-ACL (Findings) k-SemStamp

总目录 大模型安全相关研究:https://blog.csdn.net/WhiffeYF/article/details/142132328 Semstamp: A semantic watermark with paraphrastic robustness for text generation https://aclanthology.org/2024.naacl-long.226/ k-SemStamp: A Clustering-Based Semantic Wate…

物化视图详解:数据库性能优化的利器

物化视图&#xff08;Materialized View&#xff09;作为数据库性能优化的核心手段&#xff0c;通过预计算和存储查询结果&#xff0c;显著提升了复杂查询的效率。本文将深入剖析物化视图的工作原理、应用场景及最佳实践&#xff0c;帮助企业在合适的场景中充分发挥其性能优势。…

快速入手:Nacos融合SpringCloud成为注册配置中心

快速入手&#xff1a;Nacos融合SpringCloud成为注册配置中心 前言安装Nacos项目搭建添加配置启动类添加注解运行项目服务调用RestTemplate 模式FeignClient 模式 Gateway 网关 前言 Spring Cloud是一系列框架的集合&#xff0c;提供了微服务架构下的各种解决方案&#xff0c;如…

2025年2月-3月后端go开发找工作感悟

整体感悟 目标 找工作首先要有一个目标&#xff0c;这个目标尽可能的明确&#xff0c;比如我要字节、拼多多之类的公司&#xff0c;还是要去百度、滴滴这样的&#xff0c;或者目标是创业公司。但是这个目标是会动态调整的&#xff0c;有可能我们的心态发生了变化&#xff0c;一…

Python | 如何在Pandas中删除常量列

在数据分析中&#xff0c;经常会遇到数据集中始终具有常量值的列&#xff08;即&#xff0c;该列中的所有行包含相同的值&#xff09;。这样的常量列不提供有意义的信息&#xff0c;可以安全地删除而不影响分析。 如&#xff1a; 在本文中&#xff0c;我们将探索如何使用Pyth…

5.高频加热的原理与常用集成电路介绍

一、高频加热的类型 利用高频电源加热通常由两种方法&#xff1a;电介质加热&#xff08;被加热物体绝缘&#xff09;与感应加热&#xff08;被加热物体导电&#xff09;&#xff0c;详细解释如下&#xff1a; 电介质加热&#xff08;利用高频电压的高频电场导致物体自身分子摩…

串口通信与Modbus通信的区别和联系

一、定义与定位 1‌、串口通信‌ 是物理层的硬件接口标准&#xff0c;用于实现设备间的‌串行数据传输‌&#xff0c;常见类型包括RS-232、RS-485和RS-422‌35。其功能是完成并行数据与串行信号的转换&#xff0c;并定义电气特性&#xff08;如电平、传输速率&#xff09;‌。…

Linux生产者消费者模型

Linux生产者消费者模型 Linux生产者消费者模型详解生产者消费者模型生产者消费者模型的概念生产者消费者模型的特点生产者消费者模型优点 基于BlockingQueue的生产者消费者模型基于阻塞队列的生产者消费者模型模拟实现基于阻塞队列的生产消费模型基础实现生产者消费者步调调整条…