Canvas 处理大图时如何不卡住主线程:一次浏览器端批量压缩的调度实践
做一个纯前端的图片压缩工具,最难的不是选编码器,而是调度。用户一次拖进 20 张手机原图,页面要么白屏十几秒,要么直接 OOM。这篇文章只讲调度层面的三件事:怎么把活交给 Worker、怎么控制并发与内存、以及什么时候必须降级。
一、先明确瓶颈在哪
一张 4000×3000 的照片,解成 RGBA 位图就是 48 MB。整个链路会同时占用三份内存:解码后的位图、供编码器读取的像素副本、编码输出的字节流。三者叠加,低端设备很容易触发 GC 抖动甚至 OOM。
所以主线程卡顿通常不是"编码慢",而是主线程被迫参与了下面三件事之一:
- 解码(
image.decode()或createImageBitmap的同步等待) - 绘制与像素读取(
drawImage、getImageData) - 编码(WASM 编码器在一次同步调用里跑完)
把这三次同步 CPU 占用搬出主线程,页面就不再假死。
二、把像素也搬出去:OffscreenCanvas
最干净的做法是让 Worker 拥有自己的画布。
// main.js
const worker = new Worker('./compress.worker.js', { type: 'module' });
const offscreen = document.createElement('canvas').transferControlToOffscreen();
worker.postMessage({ type: 'init', canvas: offscreen }, [offscreen]);
// compress.worker.js
let canvas, ctx;
self.onmessage = async (e) => {
if (e.data.type === 'init') {
canvas = e.data.canvas;
ctx = canvas.getContext('2d', { willReadFrequently: true });
return;
}
const { file, maxEdge, quality, id } = e.data;
const bitmap = await createImageBitmap(file);
const scale = Math.min(1, maxEdge / Math.max(bitmap.width, bitmap.height));
canvas.width = Math.round(bitmap.width * scale);
canvas.height = Math.round(bitmap.height * scale);
ctx.clearRect(0, 0, canvas.width, canvas.height);
ctx.drawImage(bitmap, 0, 0, canvas.width, canvas.height);
const data = ctx.getImageData(0, 0, canvas.width, canvas.height);
// 交给 WASM 编码器
const encoded = await encode(data, file.type, quality);
self.postMessage({ id, blob: encoded }, [encoded]);
};
两点必须注意:
transferControlToOffscreen()之后,原 canvas 在主线程不可再用,页面里要有另一个可见 canvas 走drawImage预览。getContext('2d', { willReadFrequently: true })会显著降低getImageData的开销,代价是硬件加速受限。压缩场景下这个取舍通常划算。
三、并发与背压
并发不是越多越好。编码器是纯 CPU 密集任务,线程数超过物理核心只会互相抢占。
const concurrency = Math.max(1, Math.floor((navigator.hardwareConcurrency || 4) / 2));
比并发数更重要的是背压:不要一次性把所有文件 postMessage 进去,否则每个 Worker 里都囤着大位图,内存峰值等于并发数 × 单张内存。
正确做法是维护一个长度等于并发数的任务池,每完成一个就补一个:
const queue = files.slice();
const running = new Set();
function pump() {
while (running.size < concurrency && queue.length) {
const file = queue.shift();
const worker = pool[laneIndex++ % pool.length];
const id = nextId();
running.add(id);
worker.postMessage({ id, file, maxEdge: 1600, quality: 0.8 });
}
}
worker.addEventListener('message', (e) => {
running.delete(e.data.id);
results.push(e.data.blob);
renderProgress(results.length / files.length);
pump();
});
顺带一个工程细节:getImageData 返回的 Uint8ClampedArray 通过 postMessage 是结构化克隆(拷贝)。如果只想传一次,用转移:
self.postMessage({ id, pixels: data.data.buffer }, [data.data.buffer]);
注意转移之后 Worker 内的缓冲会被置空,不能再读。
四、什么时候需要 SharedArrayBuffer
只有一条理由:多个 Worker 需要同时读同一块像素缓冲,且不想拷贝。代价是页面必须开 COOP/COEP:
Cross-Origin-Opener-Policy: same-origin
Cross-Origin-Embedder-Policy: require-corp
这两个头一开,所有跨域资源都得带 CORS 或 CORP,第三方脚本、统计、外部字体都可能挂掉。静态站点要为此付出真实成本,所以只有当图片确实大到必须共享内存时才值得。
五、必须降级的场景
- Safari 16.4 以下:Worker 内 WASM 支持不完善,
OffscreenCanvas也时好时坏,要检测后回主线程(此时用requestIdleCallback分片,牺牲速度保可用)。 - 内存不足:低端安卓设备上 4000×3000 的图,单张耗时 3–5 秒属于正常,超过就应当先降采样到
maxEdge=1600再编码,而不是硬压原图。 - 批量过大:一次拖入超过 50 张时,先给出总量估算和分批提示,避免用户在无感知的情况下把设备拖死。
function supportsOffscreen() {
return typeof OffscreenCanvas !== 'undefined'
&& typeof OffscreenCanvas.prototype.transferControlToOffscreen === 'function'
&& typeof createImageBitmap === 'function';
}
六、小结
浏览器端做批量图片压缩,性能瓶颈从来不在编码器本身,而在"像素有没有离开主线程"和"内存峰值有没有被控制"。把 Canvas 搬进 Worker、用背压控制并发、在弱设备上主动降采样,这三条做到之后,20 张手机原图的批处理可以把页面卡顿压到几乎无感。
至于压缩率本身,取决于编码器选择(MozJPEG、OxiPNG、libwebp、pngquant 各有所长),那是另一篇文章的事。