Kotlin+Coroutines+Flow+LiveData+Glide算法重构Luban

KLuban基于鲁班算法用Kotlin+Jetpack重构的项目

KLuban使用Kotlin + 协程 + Flow(并行任务) + LiveData(监听回调) + Glide图片识别、内存优化 + 邻近(鲁班)、双线性采样图片算法压缩框架，欢迎改进 fork 和 star

项目地址

集成和使用

Step 1.Add it in your root build.gradle at the end of repositories:

allprojects {
 repositories {
   ...
   maven { url 'https://jitpack.io' }
 }
}

Step 2.Add the dependency

dependencies {
  implementation 'com.github.forJrking:KLuban:v1.0.1'
}

Step 3.Api：

Luban.with(LifecycleOwner)               //Lifecycle,可以不填写内部使用ProcessLifecycleOwner
        .load(uri, uri)                  //支持 File,Uri,InputStream,String,和以上数据数组和集合
        .setOutPutDir(path)              //输出目录文件夹
        .concurrent(true)                //多文件压缩时是否并行,内部优化线程并行数量防止OOM
        .useDownSample(true)             //压缩算法 true采用邻近采样,否则使用双线性采样(纯文字图片效果绝佳)
        .format(Bitmap.CompressFormat.PNG)//压缩后输出文件格式 支持 JPG,PNG,WEBP
        .ignoreBy(200)                   //期望大小,大小和图片呈现质量不能均衡所以压缩后不一定小于此值,
        .quality(95)                     //质量压缩系数  0-100
        .rename { "pic$it" }             //文件重命名
        .filter { it!=null }             //过滤器
        .compressObserver {
            onSuccess = { }
            onStart = {}
            onCompletion = {}
            onError = { e, s -> }
        }.launch()

原框架问题分析和技术预估

Luban是基于Android原生图片压缩框架，主打特点是近乎微信的图像采样压缩算法。由于技术迭代，已经不能满足产品需求。下面为核心压缩实现，并根据代码列出鲁班存在的问题：

File compress() throws IOException {
    BitmapFactory.Options options = new BitmapFactory.Options();
    //计算邻近采样主要算法
    options.inSampleSize = computeSize();
    //解码 主要OOM发生在此处
    Bitmap tagBitmap = BitmapFactory.decodeStream(srcImg.open(), null, options);
    ByteArrayOutputStream stream = new ByteArrayOutputStream();
    //判断为JPEG格式进行角度
    if (Checker.SINGLE.isJPG(srcImg.open())) {
      tagBitmap = rotatingImage(tagBitmap, Checker.SINGLE.getOrientation(srcImg.open()));
    }
    //根据传递的focusAlpha来处理输出图片格式  质量系数为60
    tagBitmap.compress(focusAlpha ? Bitmap.CompressFormat.PNG : Bitmap.CompressFormat.JPEG, 60, stream);
    tagBitmap.recycle();
	... 写入文件
    return tagImg;
 }

解码前没有对内存做出预判，容易OOM
质量压缩写死 60
没有提供图片输出格式选择
JPEG图像没有alpha层，经过压缩后为应该使用JPG格式更加节省内存
只提供邻近采样算法、双线性采样在某些场景更加合适（纯文字图像）
不支持多文件并行压缩，输出顺序和压缩顺序不能保证一致
检测文件格式和图像的角度多次重复创建InputStream,增加不必要开销，增加OOM风险
可能出现内存泄漏，需要自己合理处理生命周期

技术改造分析

解码前利用获取的图片宽高对内存占用做出计算，超出内存的使用RGB-565尝试解码
针对质量压缩时候，需要外部传入质量系数
利用Glide算法压缩前获取图片真实格式，对输出文件智能判断，例如是否包含 alpha、输出格式
参考Glide对字节数组的复用，以及InputStream的 mark()、reset()来优化重复打开问题
利用LiveData来实现监听，自动注销监听。
利用协程来实现异步压缩和并行压缩任务，可以在合适时机取消携程来终止任务

源码分析和优化

Glide 图片识别

当我们修改图片后缀或者没有后缀，Glide依旧可以正常解码显示图像。它是怎么做到的，主要依靠ImageHeaderParserUtils这个类,

public final class ImageHeaderParserUtils {
	... //通过ImageHeaderParser获取ImageType和图片调度
  public static ImageType getType(List<ImageHeaderParser> parsers,
     InputStream is,ArrayPool byteArrayPool)
   public static int getOrientation(List<ImageHeaderParser> parsers,
     InputStream is,final ArrayPool byteArrayPool)
    ...
}
//接口
interface ImgHeaderParser {
		//获取图片类型
    fun getType(input: InputStream): ImageType
		//获取图片原始方向
    fun getOrientation(input: InputStream): Int
}
//实现类//内部通过InputStream 来读取字节来判断文件格式
DefaultImageHeaderParser和ExifInterfaceImageHeaderParser

我们分析下调用链，拷贝需要的类即可。由于源码较多，容易犯困，这里只简单说明功能和改造思路，有兴趣的自己阅读。

//还有个重要的类 RecyclableBufferedInputStream 主要作用包装InputStream为其实现字节数组复用
//以及支持 mark()\reset()这个在后面内存优化中我们再说

//简单改造下 suffix：图片的后缀，hasAlpha：图片是否包含透明层，format：输出时候支持的格式
enum class ImageType(val suffix: String, val hasAlpha: Boolean, val format: Bitmap.CompressFormat) {
    GIF("gif", true, Bitmap.CompressFormat.PNG),
    JPEG("jpg", false, Bitmap.CompressFormat.JPEG),
    RAW("raw", false, Bitmap.CompressFormat.JPEG),
    /* PNG type with alpha.  */
    PNG_A("png", true, Bitmap.CompressFormat.PNG),
    /* PNG type without alpha.  */
    PNG("png", false, Bitmap.CompressFormat.PNG),
    /* WebP type with alpha.  */
    WEBP_A("webp", true, Bitmap.CompressFormat.WEBP),
    /* WebP type without alpha.  */
    WEBP("webp", false, Bitmap.CompressFormat.WEBP),
    /* Unrecognized type.  */
    UNKNOWN("jpeg", false, Bitmap.CompressFormat.JPEG);
}

内存和性能优化

内存占用优化

图片处理中内存占用主要分2个部分，图片解码后Bitmap占用的内存空间，解码过程中产生字节数组。图像较好的展示效果和内存占用不能同时拥有，我们可以先处理解码过程中的资源开销，因为Glide已经实现这个思路和技术，我们套用即可。
- 字节数组池化
  
  在解码过程中创建大量的Byte[],我们知道Glide为了内存和性能做出很多优化，对Byte[]做了池化，只需要调用如下
```
val byteArrayPool = com.bumptech.glide.Glide.get(context).arrayPool
byteArrayPool.get(bufferSize, ByteArray::class.java)
```
  但是由于有些项目可能没有引入Glide,为了做出兼容，一般我们会拷贝代码来使用。这样显然不合适，我们这里采用反射检测的方式来使用Glide已经实现的功能。
  1. 首先在我们的lib中使用compileOnly ("com.github.bumptech.glide:glide:4.11.0@aar")引入用于编译可以通过
  2. 紧接着实现一个工具类，获取和销毁字节数组，注意在调用Glide.get(Checker.context).arrayPool必须使用显示指定全包名的方式，不然项目在类加载ArrayProvide会加载其导包的类，如果没有使用Glide就会抛出类加载异常。最终实现如下：
```
object ArrayProvide {
    private val hasGlide: Boolean by lazy {
        try {
            //检查是否引入glide
            Class.forName("com.bumptech.glide.Glide")
            true
        } catch (e: Exception) {
            false
        }
    }

    @JvmStatic
    fun get(bufferSize: Int): ByteArray = if (hasGlide) {
        //反射判断是否包含glide
        val byteArrayPool = com.bumptech.glide.Glide.get(Checker.context).arrayPool
        byteArrayPool.get(bufferSize, ByteArray::class.java)
    } else {
        ByteArray(bufferSize)
    }

    @JvmStatic
    fun put(buf: ByteArray) {
        if (hasGlide && buf.isNotEmpty()) {
            //反射判断是否包含glide
            val byteArrayPool = com.bumptech.glide.Glide.get(Checker.context).arrayPool
            byteArrayPool.put(buf)
        }
    }
}
```
  1. 替换所有 new byte[]的使用的地方，后续项目中有其他需要优化字节数组获取的地方也可以使用这个类。

解码过程中内存预判

2.3-7.1之间，Bitmap的像素存储在Dalvik的Java堆上，利用图片解码前可以获取真实宽高和图片的位图配置，计算JVM内存占用，做出代码执行结果预判。如果内存不足就终止。

//判断图片解码位图配置  内存不足就不进行压缩，抛出异常捕获而不是让其OOM程序崩溃
val isAlpha = compressConfig == Bitmap.Config.ARGB_8888
if (!hasEnoughMemory(width / options.inSampleSize, height / options.inSampleSize, isAlpha)) {
   //TODO 8.0一下内存不足使用降级策略
 if (!isAlpha || !hasEnoughMemory(width / options.inSampleSize, height / options.inSampleSize, false)) {
     throw IOException("image memory is too large")
 } else {
     Checker.logger("memory warring 降低位图像素")
   	//减低像素 减低内存
     options.inPreferredConfig = Bitmap.Config.RGB_565
 }
}

InputStream优化

鲁班在获取图片格式和图片解码前获取必要的图片宽高，以及获取图片原始角度都使用InputStreamProvider.open()这个方法

public abstract class InputStreamAdapter implements InputStreamProvider {
  private InputStream inputStream;
  public InputStream open() throws IOException {
    ...
    inputStream = openInternal();
    return inputStream;
  }....
  public abstract InputStream openInternal() throws IOException;
}

查看Luban.java中的具体实现

class Luban{
  ...
	public Builder load(final String string) {
	  mStreamProviders.add(new InputStreamAdapter() {
	    @Override
	    public InputStream openInternal() throws IOException {
        //每次都重新创建流对象
	      return new FileInputStream(string);
	    }....
}

这里每次都使用新的流对象，资源开销较大。再看Glide使用了RecyclableBufferedInputStream,内部对使用InputStream的地方进行包装，然后调用mark()、reset()来优化重复打开的开销。我们copy源码BufferedInputStreamWrap改造下：

abstract class InputStreamAdapter<T> : InputStreamProvider<T> {
		//BufferedInputStreamWrap 来自Glide内部对字节数组复用和 mark\reset做了优化 字节拷贝
    private lateinit var inputStream: BufferedInputStreamWrap

    @Throws(IOException::class)
    abstract fun openInternal(): InputStream

    @Throws(IOException::class)
    override fun rewindAndGet(): InputStream {
        if (::inputStream.isInitialized) {
            inputStream.reset()
        } else {
            inputStream = BufferedInputStreamWrap(openInternal())
            inputStream.mark(MARK_READ_LIMIT)
        }
        return inputStream
    }

    override fun close() {
        if (::inputStream.isInitialized) {
            try {
                inputStream.close()
            } catch (ignore: IOException) {
                ignore.printStackTrace()
            }
        }
    }
}

Flow使用和自定义线程调度控制并发任务数量

Flow的协程选择

由于LiveData需要使用LifecycleOwner，这里使用flow的协程为LifecycleOwner.lifecycleScope,由于协程几个线程调度，在并行执行图片压缩时候，一旦图片过多同时执行解码的图片数量不可控，就会导致内存占用瞬间增加极可能导致OOM。这里我们需要自定义协程线程调度。

自定义线程调度

//可以使用协程的扩展方法 .asCoroutineDispatcher()
例如：Executors.newFixedThreadPool(2).asCoroutineDispatcher()

当然这样还不够好，我使用了自定义线程池方式这样可以在不同版本的手机上使用不同策略，而且提供自定义线程名称，在线上可以用来方便定位异常业务

companion object {
    //主要作用用于并行执行时候可以限制执行任务个数 防止OOM
    internal val supportDispatcher: ExecutorCoroutineDispatcher
    init {
        //Android O之后Bitmap内存放在native  https://www.jianshu.com/p/d5714e8987f3
        val corePoolSize = when {
            Build.VERSION.SDK_INT >= Build.VERSION_CODES.O -> {
                (Runtime.getRuntime().availableProcessors() - 1).coerceAtLeast(1)
            }
            Build.VERSION.SDK_INT >= Build.VERSION_CODES.M -> { 2 }
            else -> { 1 }
        }
        val threadPoolExecutor = ThreadPoolExecutor(corePoolSize, corePoolSize,
                5L, TimeUnit.SECONDS, LinkedBlockingQueue<Runnable>(), CompressThreadFactory())
        // DES：预创建线程 threadPoolExecutor.prestartAllCoreThreads()
        // DES：让核心线程也可以回收
        threadPoolExecutor.allowCoreThreadTimeOut(true)
        // DES：转换为协程调度器
        supportDispatcher = threadPoolExecutor.asCoroutineDispatcher()
    }
}

Flow并行模拟压缩的2种方式

模拟压缩图片文件

//控制同时在此自定义协程调度内执行任务数量2个
val customerDispatcher = Executors.newFixedThreadPool(2).asCoroutineDispatcher()
suspend fun compressV(int: Int): String = withContext(customerDispatcher) {
   //模拟压缩文件
   println("compress 开始:$int \tthread:${Thread.currentThread().name}")
   Thread.sleep(300)
   val toString = int.toString() + "R"
   println("compress 结束:${toString} \tthread:${Thread.currentThread().name}")
   return@withContext toString
}

flatMapMerge操作符

@Test
 fun testFlowFlat() = runBlocking<Unit> {
  val time = measureTimeMillis {
      listOf(1, 2, 3).asFlow().flatMapMerge {
          flow {
              println("emit: $it  t:${Thread.currentThread().name}")
              delay(500)
              emit(it)
          }.flowOn(customerDispatcher)
      }.onStart {
          println("onStart: t:${Thread.currentThread().name}")
      }.onCompletion {
          println("onCompletion: $it  t:${Thread.currentThread().name}")
      }.catch {
          println("catch: $it  t:${Thread.currentThread().name}")
      }.collect {
          println("success: $it  t:${Thread.currentThread().name}")
      }
  }
  println("time: $time")
 }
 print:
 onStart: t:main @coroutine#1
 emit: 2  t:pool-2-thread-2 @coroutine#7
 emit: 1  t:pool-2-thread-1 @coroutine#6
 emit: 3  t:pool-2-thread-1 @coroutine#8
 success: 2  t:main @coroutine#1
 success: 1  t:main @coroutine#1
 success: 3  t:main @coroutine#1
 onCompletion: null  t:main @coroutine#1
 time: 561
 //结果确实实现了并行，但是 collect 中的结果因为并行不确定性收集结果不是原有顺序

map + async + await()实现

@Test
 fun testBinFa() = runBlocking {
  val time = measureTimeMillis {
      listOf(1, 2, 3).asFlow().map { i ->
          async { compressV(i) }
      }.buffer().flowOn(Dispatchers.Unconfined).map {
          it.await()
      }.onStart {
          println("onStart: t:${Thread.currentThread().name}")
      }.onCompletion {
          println("onCompletion: $it  t:${Thread.currentThread().name}")
      }.catch {
          println("catch: $it  t:${Thread.currentThread().name}")
      }.collect {
          println("success: $it  t:${Thread.currentThread().name}")
      }
  }
  println("Collected in $time ms")
}
print:
onStart: t:main @coroutine#1
compress 开始:1 	thread:pool-1-thread-1 @coroutine#3
compress 开始:2 	thread:pool-1-thread-2 @coroutine#4
compress 结束:2R 	thread:pool-1-thread-2 @coroutine#4
compress 结束:1R 	thread:pool-1-thread-1 @coroutine#3
compress 开始:3 	thread:pool-1-thread-2 @coroutine#5
success: 1R  t:main @coroutine#1
success: 2R  t:main @coroutine#1
compress 结束:3R 	thread:pool-1-thread-2 @coroutine#5
success: 3R  t:main @coroutine#1
onCompletion: null  t:main @coroutine#1
Collected in 678 ms
//success结果显示 可以并行且有序 采用这种

图片压缩算法

邻近采样使用鲁班算法不多介绍

优点不用加载Bitmap进入内存，用于压缩拍照图片较好。缺点在某些场景压缩效果会丢失像素细节。
双线性采样
```
matrix.setScale(scale, scale)
Bitmap.createBitmap(bitmap, 0, 0, bitmap.width, bitmap.height, matrix, true)
```
优点对于纯文字类图片压缩，显示效果优于邻近采样。缺点先加载进入内存，如果内存占用过大容易OOM

图片压缩算法优劣：QQ音乐技术团队-Android中图片压缩分析

压缩算法效果同Luban

总结

了解开源项目的源码，可以扩展我们的认知，在有这样需求的时候，可以快速借(c)鉴(v)。
实战是学习新技术的最好手段，动手才能有深刻认识。