一块 1920×1080 的大屏,几十个组件对象、每个对象带坐标尺寸样式数据、外加三层结构(背景/子屏/前景)和全局配置——明文 JSON 序列化出来轻松破 500KB。编辑器每次保存要传它,渲染端每次打开要拉它,浏览器本地缓存要存它,AI 生成的增量修改还要在草稿表里存它。
500KB 本身不致命,致命的是它出现在所有链路上:保存接口、加载接口、草稿读写、本地缓存、跨端同步。这篇文章讲我们在图纸序列化上做的压缩设计与三个工程决策。
一、体积都浪费在哪
先看图纸的真实结构。这是内核序列化的输出(对象级,简化):
{
"viewportTransform": { "a": 1, "b": 0, "c": 0, "d": 1, "e": 0, "f": 0 },
"objects": [
{
"id": "abc12345",
"name": "矩形_1",
"type": "rect",
"x": 100, "y": 200, "w": 300, "h": 150, "angle": 0,
"locked": false, "visible": true,
"component": { "name": "visWidgetRect", "title": "矩形" },
"states": [],
"objects": []
}
]
}
浪费一目了然:
- 字段名高度重复。
"type"、"name"、"x"、"y"这些键名在每个对象里都出现一遍,几百个对象就是几百遍——键名比值还占地方; - 坐标精度冗余。画布坐标是浮点数,
412.00000000001和412.001在像素级渲染上没有区别,但 JSON 里一个占 16 字节一个占 7 字节; - 样式默认值全量保存。没改过的边框颜色、透明度、字体,也按全量键值对存。
体积都浪费在哪这一节的三类浪费,落到图上更直观:
二、图纸的外层设计:compress 标记与两个承载字段
压缩不是对上面那份 JSON 做字符串替换,而是在图纸文档的外层做了通道设计。渲染内核定义的大屏图纸 JSON(designData)顶层长这样:
{
"compress": false,
"compressData": "...",
"config": {
"width": 1920, "height": 1080,
"renderMode": "fit",
"defaultScreenId": "screen_001",
"interfaceApi": { "api": { "...": "..." }, "websocket": { "...": "..." } }
},
"backend": [{ "objects": [] }],
"screen": [
{ "uid": "screen_001", "objects": [] },
{ "uid": "screen_002", "objects": [] }
],
"frontend": [{ "objects": [] }],
"metadata": {}
}
关键在头两个字段:compress 是标记位,compressData 是压缩模式的承载字段。两种形态共用同一份 schema:
compress: false:backend/screen/frontend三层是明文对象数组,直接走dataEnlivenObjects实例化;compress: true:三层内容整体被editorUtil.compress(lz-string 封装)压成 base64 字符串塞进compressData,明文字段留空;渲染端识别标记后调decompressFromBase64解压,再进同一条实例化链路。
保存链路完整走一遍是:上层调用 editor.toJSON() → 每个对象递归序列化(BaseObject.toJSON 过滤 ignoreKeys)→ 组装成图纸文档 → editorUtil.compress 压缩 → 写入后端或 localforage。加载是逆过程:读文档 → 看 compress 标记 → decompressFromBase64 → 拆层 → 实例化。
三、三个工程决策
为什么压在存储层,不靠 HTTP gzip? 传输环节确实有 gzip 兜底,但图纸不只走 HTTP:localforage 本地缓存、草稿表的 SQLite 行、AI 增量修改的 spec 存档、跨环境的文件导出——这些环节没有统一的压缩中间层。把压缩做进序列化格式本身,等于所有下游环节一次受益。且 lz-string 对「键名重复度极高的结构化 JSON」压缩率远超通用 gzip 对同一段文本的处理——它就是为这类数据设计的。
为什么用标记位,不定义两种格式? 最省事的做法是两套 schema:designData 和 designDataCompressed。但渲染端要维护两条加载分支,旧版本客户端遇到新格式直接挂。用 compress 标记位 + 固定的 compressData 字段,schema 只有一份:老代码拿到新文档,看到标记不认识,走明文分支也不会崩(三层字段还在,只是空);新代码拿到老文档,标记为 false 直接走明文。双向兼容的关键是让「升级」和「降级」都不需要格式协商。
为什么不挑坐标精度,而全文压缩? 序列化时把浮点坐标截断到 3 位小数能省可观的体积,但它改了数据本身——一旦某天需要亚像素精度(比如导出印刷级物料),历史图纸已经丢信息了。lz-string 是无损算法,压缩不改变任何字段值,风险为零。体积焦虑交给算法,不动数据。
四、一个真实踩过的坑:lz-string 版本兼容
§5.2 风险提示 里躺着我们真实遇过的问题:compressData 用 lz-string 的 base64 变体,不同版本的 lz-string 可能不兼容。lz-string 有 compressToBase64 / compressToUTF16 等多个出口,还有历史版本的行为差异——A 版本压的字符串 B 版本解不开,报错还不指明原因。
教训固化为两条规约:一是压缩与解压必须成对出现、同源实现,editorUtil.compress 和 decompressFromBase64 收在内核同一个 util 里,禁止调用方自行引入 lz-string;二是图纸文档的 metadata 里记录压缩实现版本,解压失败时报错信息带上版本号,让排查从「解不开」变成「A 版本压的、B 版本在解」。
五、效果与边界
实测一份 532KB 的明文图纸文档,压缩后约三分之一体积。这对单次加载是省 350KB 带宽,对「草稿表里每个版本存一份完整 screen 文档」的 AI 增量修改场景,是 SQLite 行数与存储空间的成倍缩减——AI 生成服务每受理一次生成就落一份草稿,result 里回传的完整 screen 文档正是压缩通道的常客,下面是它完成回执的真实抓包:
回执里
screen 字段标注「完整大屏文档」,实际上落库走的就是压缩通道:drafts 表的 screen_json 列实测最大存过 532KB,如果这些草稿都以明文存储,几十次生成迭代就能把草稿库顶到一个可观的量级。下图是这套链路支撑的 AI 生成大屏真实运行态:
边界也要说清楚:lz-string 的压缩率依赖数据重复度,一份样式全不重复、坐标全随机的图纸压缩收益会明显缩水;另外 base64 编码本身有 33% 体积膨胀,压缩收益不足时会倒贴。所以
compress 才做成可选标记——引擎保留明文通道,让数据自己决定走哪条路。
注:文中面板数值为演示数据,非客户数据。
体验地址:www.qiantech.com.cn/