用压缩换带宽:大屏图纸序列化为什么要 base64 + 压缩

7 阅读5分钟

用压缩换带宽 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:

同一份图纸的两种存法

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:

生成完成回执:screen 文档随 job 回传 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:

AI 生成大屏:压缩图纸落库再解压渲染的真实产物 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/