场景
周五进行需求评审的时候；
出现了一个图表，本身一个图表本没有什么稀奇的；
可是产品经理在图表的上的备注,让我觉得这个事情并不简单；
那个图表的时间跨度可以是月,年，而且时间间隔很短；
这让我意识到事情并不是想的那样简单；
然后经过简单的询问：如果选择的范围是年；数据可能会上万；
我们都知道；出现上万的数据；
在渲染的时候肯定会出现白屏，操作的时候卡顿；
今天周末，没有事干；来研究研究 Echarts 渲染海量数据
file模块用来写文件
我们首先使用node来生成10万条数据；
借助node的fs模块就行；
如果不会的小伙伴；也不要担心；超级简单
let fs = require('fs');
let fileCont='我是文件内容'
fs.writeFile('./demodata.txt',fileCont, (error, data) => {
if (!error) {
console.log('写入成功了',data)
} else {
console.log('写入失败了',error)
}
})
现在我们需要创建一个指定类型的数据格式
我们等会从2022.1.1开始；每条数据间隔5分钟；产生10万条数据。
time的值是时间戳，我们可以通过 new Date().getTime() 来获取
value的值是温度，我们通过Math.random() * 50+10来获取
time的时间间隔是每隔5分钟
数据格式如下
[
{"time":1640966400000,"value":36.57},
{"time":1640966700000,"value":31.68},
]
let fs = require('fs');
function timeFn(total){
let dateTimeStamp = new Date(2022, 0, 1).getTime();
let oneHourStamp = 1000 * 60*5;
let newArr = []
for(let i= 0;i
10万条数据渲染耗时10秒，且页面非常卡顿
html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Documenttitle>
<script src="../allechart/echarts.js">script>
<script src="./demodata.js">script>
head>
<body>
<div style="width: 598px;height: 400px;" id="box">div>
body>
<script>
function backTime(value){
let date = new Date(value);
let year = date.getFullYear();
let month = date.getMonth() + 1;
let day = date.getDate();
let hours = date.getHours();
let minutes = date.getMinutes();
let seconds = date.getSeconds();
month = month < 10 ? '0' + month : month;
day = day < 10 ? '0' + day : day;
hours = hours < 10 ? '0' + hours : hours;
minutes = minutes < 10 ? '0' + minutes : minutes;
seconds = seconds < 10 ? '0' + seconds : seconds;
return year + '-' + month + '-' + day + '\n' + hours + ':' + minutes + ':' + seconds;
}
console.log(backData)
let myChart = echarts.init(document.querySelector('#box'))
let option = {
legend: {
data: ['某城市']
},
tooltip: {
trigger: 'axis',
triggerOn: 'mousemove',
confine: true,
extraCssText: 'white-space: pre-wrap'
},
xAxis: {
type: 'category',
data: backData.map(v=> backTime(v.time)),
splitLine: { show: false },
lineStyle: {
width: 2
},
axisTick: {
show: false
},
axisLabel:{
textStyle: {
color: '#717782'
},
showMinLabel: true,
showMaxLabel: true
},
},
yAxis: {
type: 'value',
axisLine: {
show: false
},
axisTick: {
show: false
},
splitLine: {
lineStyle: {
color: '#D2DBE6'
}
},
axisLabel: {
formatter: '{value}',
color: '#717782'
}
},
grid: {
left: '30',
right: '35',
bottom: '10',
top: '20',
containLabel: true
},
series: [
{
data:backData.map(v=>v.value),
type: 'line',
smooth: true
}
]
};
myChart.setOption(option);
script>
html>
发现的问题
我们发现渲染时间非常久(需要10多秒)，而且页面卡顿；
有没有好的办法来解决这个问题呢;
是有的，最好的使用echarts的dataZoom用于区域缩放；
通过滑块看指定区域的数据，我们来尝试一下
dataZoom的常见属性介绍
type: "slider" || "inside",
slider:这种类型会在图表的一侧添加一个滑动条，
用户可以通过拖动滑动条来改变数据窗口的范围，从而实现数据的缩放。
inside:这种类型缩放组件是内置于坐标系中的，
用户可以通过鼠标滚轮、触屏手指滑动等方式来操作数据的缩放。
简单点说:slider会产生一个滚动条，inside不会
xAxisIndex: 可以是一个数字，表示特定的X轴索引；
也可以是一个数组，表示同时控制多个X轴。
xAxisIndex: 0, 控制第1条数据开始
start: 0, 数据窗口范围的起始百分比。范围是：0 ~ 100。表示 0% ~ 100%。
end: 1, 数据窗口范围的结束百分比。范围是：0 ~ 100。
minSpan: 0, 用于限制窗口大小的最小值（百分比值），取值范围是 0 ~ 100。
maxSpan: 10, 用于限制窗口大小的最大值（百分比值），取值范围是 0 ~ 100。
特别提醒：start: 设置为0；说明是从第1条数据开始的；
那么xAxisIndex就必须是0;
因为xAxisIndex不是0，他们就互相矛盾了；
minSpan 和 maxSpan一般配合使用；主要是用于只展示某一个区间；
无论用户怎么缩放；都会在这个区间
我们使用 dataZoom 来处理海量的数据
... 其他配置项
dataZoom: [
{
type: "slider", // 滑块类型 值有slider和inside
xAxisIndex: [0],
start: 0,
end: 1,
minSpan: 0, // 用于限制窗口大小的最小值（百分比值），取值范围是 0 ~ 100。
maxSpan: 10,
},
],
series: [
{
data:backData.map(v=>v.value),
type: 'line',
smooth: true
}
]
配置之后，我们发现渲染非常流畅
通过配置前和配置后的图的对比
我们发现配置之后；页面渲染速度非常快；
打开页面就渲染完成，压根想不到是10万条数据；
说明通过 dataZoom 是非常有效的
dataZoom处理海量数据的优缺点
优点：配置简单；
缺点：只能看指定局部的数据；无法看整体数据
其他办法 sampling 降采样策略 sampling: 'average'
series: [
{
data:backData.map(v=>v.value),
type: 'line',
smooth: true,
sampling: 'average',
}
]
sampling的几个值
'lttb': 采用 Largest-Triangle-Three-Bucket 算法，
可以最大程度保证采样后线条的趋势，形状和极值。
不过有可能会造成页面渲染时间长
'average': 取过滤点的平均值
'min': 取过滤点的最小值
'max': 取过滤点的最大值
'minmax': 取过滤点绝对值的最大极值 (从 v5.5.0 开始支持)
'sum': 取过滤点的和
sampling 降采样策略 sampling: 'lttb'
series: [
{
data:backData.map(v=>v.value),
type: 'line',
smooth: true,
sampling: 'lttb'
}
]
降采样策略 sampling 的优缺点
优点：可以看见整体的趋势；
缺点：部分数据丢失；tooltip功能可能实现不了
使用 large 属性
series: [
{
data:backData.map(v=>v.value),
type: 'line',
smooth: true,
large:true,
}
]
发现使用large属性没有效果
为什么我们使用large没有效果呢？
我们去官网看看怎么说的；
https:
在上面这个文档中心，我发现折线图[type: 'line']没有 large 属性
large支持的图表:柱状图(bar), K 线图 (candlestick), 路径图(lines),散点图(scatter)
其他类型的图表暂时不支持；
所以我们可以把折线图更改为柱状图看下是否可以解决卡顿问题；
series: [
{
data:backData.map(v=>v.value),
type:'bar',
large:true,
}
]
large 属性的介绍以及优缺点
large:是否开启大数据量优化；
在【数据图形】特别多而出现卡顿时候可以开启。
开启后配合 largeThreshold 在数据量大于指定阈值的时候对绘制进行优化。
优点：解决图形卡数据量大而产生的卡顿问题。
缺点：优化后不能自定义设置单个数据项的样式；
【特别提醒】:
large支持的图表:柱状图(bar), K 线图 (candlestick), 路径图(lines),散点图(scatter)
"辅助"large属性最佳配角 largeThreshold
有些时候；数据量并不是一开始就是大量；
而是经过时间的变化；数据才变成了海量数据；
如果我们一开始就使用large开启优化；这显然是不适合的；
这个时候；我们的最佳配角 largeThreshold 就闪亮登场了；
largeThreshold：开启绘制优化的阈值。
当数据量(即data长度)大于这个阀值的时候，会开启高性能模式。
低于这个阀值；不会开启高性能模式；
比如我们希望:数据量(即data长度)大于1万时开启高性能模式，你可以这样设置：
series: [
{
data:backData.map(v=>v.value),
type:'bar',
large:true,
largeThreshold: 10000,
}
]
appendData 属性的简单介绍
根据官网的介绍；
appendData属性会分片加载数据和增量渲染；
在大数据量的场景下（例如地理数的打点）；
此时，数据量将会非常的大；
在互联网环境下，往往需要分片加载；
appendData 接口提供了分片加载后增量渲染的能力；
渲染新加入的数据块时，不会清除原有已经渲染的部分数据。
但是并不是所有图表类型都支持这个属性；
目前不支持series系列的；如柱状图，折线图，饼状图这些都不支持；
目前支持的图有： 散点图(scatter),线图(lines)。
ECharts GL的散点图(scatterGL)、线图(linesGL) 和 可视化建筑群(polygons3D)。
上面这段参考：https://echarts.apache.org/zh/api.html#echartsInstance.appendData
series系列的图表
尾声
最近股票亏麻了；哎；好难受；
如果觉得我的文章写的还不错；给我点个推荐；
感谢了