去哪儿旅行二面凉经

让ai总结了一下问题和回答，心累了，面试官一直问优化相关的问题，多少也回答了一些出来，最后反问的时候，问有什么能加强的，说是觉得项目没什么亮点，

一、代码问题的主动发现与预防
主动发现方式
静态代码分析：使用 ESLint、TSLint 等工具在编码阶段检测语法错误、代码规范问题、潜在逻辑漏洞（如未处理的空值、死循环）。
自动化测试：通过单元测试（Jest）、集成测试（Cypress）覆盖核心逻辑，结合 CI/CD 流程在提交 / 部署前触发测试，提前暴露问题。
代码审查：制定 Code Review 规范，重点检查边界条件、性能风险、安全性（如 XSS、CSRF）。
监控告警：线上通过 Sentry 等工具捕获运行时错误（如 TypeError、Promise 未捕获异常），结合日志分析高频异常点。
预防措施
制定开发规范：明确命名规则、代码结构、错误处理方式（如统一使用 try/catch 或全局异常捕获）。
技术选型管控：避免引入低维护性依赖，优先选择成熟库并控制版本。
定期重构：针对耦合度高、可维护性差的代码进行重构，降低后续迭代风险。
二、To C 项目的监控设计
To C 项目需重点关注用户体验与稳定性，监控设计可从以下层面展开：
前端性能监控
核心指标：首屏加载时间（FCP）、交互响应时间（TTI）、白屏时间，通过 Performance API 或第三方工具（如 Lighthouse、阿里云 ARMS）采集。
资源加载：监控 JS/CSS 加载耗时、图片加载失败率，设置阈值告警（如某资源加载超时 >3s）。
用户行为与异常监控
错误监控：捕获 JS 运行时错误、接口错误（4xx/5xx）、资源加载失败，关联用户 ID、设备信息便于定位。
行为轨迹：记录用户点击、滑动等操作，分析卡顿、崩溃场景的触发路径（如某按钮点击后高频报错）。
业务指标监控
核心流程转化：如注册、支付步骤的成功率，异常中断时触发告警。
设备兼容性：统计不同浏览器 / 机型的报错率，优先修复高占比问题。
实现方式
埋点系统：通过 SDK 主动上报监控数据，后端存储后用 Grafana 等工具可视化。
实时告警：配置短信 / 钉钉通知，针对严重错误（如大面积白屏、支付失败）即时响应。
三、虚拟列表优化实现
虚拟列表核心是只渲染可视区域内的 DOM 元素，减少渲染压力，实现思路：
核心原理
计算可视区域高度、单个 item 高度，确定可见项数量（如可视区高度 500px，item 高 50px → 可见 10 项）。
监听滚动事件，动态计算滚动偏移量，确定当前需渲染的 item 起始索引。
通过容器内的 “占位元素” 撑起列表总高度，避免滚动条异常，可视区项通过绝对定位展示。
关键优化
缓存已渲染项：避免滚动时频繁销毁 / 创建 DOM，仅更新位置和内容。
预渲染缓冲区：在可视区上下额外渲染 1-2 项，减少快速滚动时的空白闪烁。
动态高度支持：若 item 高度不固定，可通过预估高度 + 滚动时修正位置解决。
库选型：优先使用成熟库（如 react-virtualized、vue-virtual-scroller），减少自研成本。
四、列表滑动卡顿的排查与优化
排查方向
性能分析：用 Chrome DevTools 的 Performance 面板录制滑动过程，查看是否有长任务（>50ms）、频繁重排（Layout）/ 重绘（Paint）。
DOM 数量：检查列表是否渲染了过多 DOM（如未做虚拟列表），导致渲染线程阻塞。
事件处理：滑动时是否绑定了高频事件（如 scroll、touchmove）且未做节流 / 防抖，导致 JS 线程繁忙。
样式问题：是否使用复杂样式（如阴影、渐变）或强制同步布局（如频繁读取 offsetHeight 后修改样式）。
优化措施
实现虚拟列表：减少 DOM 数量（见上文）。
优化事件：对 scroll/touchmove 事件节流（如 100ms 触发一次），避免高频执行。
减少重排 / 重绘：将固定样式抽离为 CSS 类，避免 inline 样式；使用 will-change: transform 让浏览器单独分层渲染。
数据处理：若滑动时需加载数据，提前预加载并缓存，避免同步阻塞。
五、白屏的检测与解决
检测方式
前端埋点：在页面关键节点（如 DOMContentLoaded、首屏元素渲染完成）设置时间戳，若超过阈值（如 5s 未渲染）则上报白屏事件。
图片监控：在页面顶部放一个 1x1 像素的 “探针图片”，若加载成功则证明页面正常，否则判定为白屏。
错误关联：结合 JS 错误日志（如关键脚本加载失败、语法错误）定位白屏原因。
解决思路
加载问题：优化资源加载（如 CDN 加速、代码分割、懒加载），处理脚本加载失败（如重试机制、备用 CDN）。
渲染阻塞：避免 JS 阻塞 HTML 解析（如用 defer/async），减少首屏不必要的 CSS/JS。
数据依赖：若白屏因接口延迟，增加骨架屏、加载动画，避免用户感知空白；接口失败时显示错误提示并提供重试。
兼容性：修复特定浏览器的渲染 bug（如 CSS 前缀缺失、ES6+ 语法未转译）。
六、ECharts 性能问题及优化
常见性能问题
大数据量渲染卡顿（如万级以上数据点）。
频繁更新（如实时数据）导致内存泄漏或 CPU 占用过高。
图表容器大小频繁变化时重绘异常。
折线图（多日期筛选）的优化与后端方案
前端优化：
数据采样：根据日期范围动态调整精度（如日级展示 24 点，周级展示 24*7 点，月级按天采样而非小时，避免数据量过大）。
节流重绘：筛选日期时，通过防抖（如 300ms 延迟）避免频繁调用 setOption。
销毁旧实例：切换筛选条件前，调用 dispose () 销毁旧图表，释放内存。
懒加载：非首屏图表延迟初始化，避免阻塞首屏渲染。
与后端沟通方案：
动态返回精度：后端根据筛选的时间范围（天 / 周 / 月）返回对应粒度的数据（如周级返回按小时聚合的平均值，而非每小时原始数据）。
分页 / 分段加载：若需保留细粒度，后端支持按时间段分段返回，前端滚动时再加载后续数据。
数据压缩：后端用二进制或精简格式（如仅返回 [x,y] 数组而非完整对象）减少传输量。
ECharts 适配方案
响应式容器：监听窗口 resize 事件，调用 resize () 方法调整图表大小，结合 CSS 媒体查询适配不同屏幕。
移动端优化：简化图表样式（如隐藏次要网格线、缩小字体），触摸交互适配（如支持双击放大、手势缩放）。
七、图片优化方向
资源优化
格式选择：优先使用 WebP/AVIF（比 JPEG 小 30%+），降级兼容旧浏览器；简单图形用 SVG 替代位图。
压缩处理：通过工具（如 TinyPNG）或后端服务（如七牛云）压缩图片，平衡质量与体积。
合理尺寸：根据展示容器大小提供多分辨率图片（如 srcset 属性），避免大图小用。
加载优化
懒加载：使用 IntersectionObserver 监听图片进入视口后再加载，减少首屏请求。
预加载：对首屏或即将展示的图片（如轮播图下一张）用 link [rel="preload"] 预加载。
缓存策略：设置合理的 Cache-Control 头，复用缓存减少重复请求。
体验优化
占位符：加载前显示低分辨率缩略图或纯色占位，减少布局偏移（CLS）。
错误处理：图片加载失败时显示默认图，避免破图影响体验。
八、图片加载时间的检测
前端检测
监听事件：通过 img.onload 记录加载完成时间，减去 img.src 赋值时间，得到加载耗时。
Performance API：使用 performance.getEntriesByType ('resource') 获取图片资源的加载详情（如 startTime、responseEnd），计算耗时 = responseEnd - startTime。
埋点上报：将检测到的耗时结合图片 URL、用户设备信息上报，分析慢加载图片。
工具辅助
浏览器 DevTools：Network 面板筛选 img 类型资源，查看各阶段耗时（如 DNS、TCP、下载）。
第三方监控：通过 Lighthouse 或监控平台（如 Datadog）批量分析页面图片加载性能。

#牛客AI配图神器##面经##去哪儿旅行 秋招#