1 引言

setState 是 React 框架最常用的命令,它是用来更新状态的,这也是 React 框架划时代的功能。

但是 setState 函数是 react 包导出的,他们又是如何与 react-dom react-native react-art 这些包结合的呢?

通过 how-does-setstate-know-what-to-do 这篇文章,可以解开这个秘密。

2 概述

setState 函数是在 React.Component 组件中调用的,所以最自然的联想是,更新 DOM 的逻辑在 react 包中实现。

但是 react 却可以和 react-dom react-native react-art 这些包打配合,甚至与 react-dom/server 配合在服务端运行,那可以肯定 react 包中不含有 DOM 更新逻辑。

所以可以推断,平台相关的 UI 更新逻辑分布在平台相关的包里,react 包只做了代理。

React 引擎不在 react 包里

从 react 0.14 版本之后,引擎代码就从 react 包中抽离了,react 包仅仅做通用接口抽象。

也就是说,react 包定义了标准的状态驱动模型的 API,而 react-dom react-native react-art 这些包是在各自平台的具体实现。

各平台具体的渲染引擎实现被称为 reconciler,通过这个链接可以看到 react-dom react-native react-art 这三个包的 reconciler 实现。

这说明了 react 包仅告诉你 React 拥有哪些语法,而并不关心如何实现他们,所以我们需要结合 react 包与 react-xxx 一起使用。

对于 context,react 包仅仅会做如下定义:


// A bit simplified
function createContext(defaultValue) {let context = {_currentValue: defaultValue,Provider: null,Consumer: null};context.Provider = {$$typeof: Symbol.for("react.provider"),_context: context};context.Consumer = {$$typeof: Symbol.for("react.context"),_context: context};return context;
}

具体用到时,由 react-domreact-native 决定用何种方式实现 MyContext.Provider 这个 API。

这也说明了,如果你不同步升级 reactreact-dom 版本的话,就可能碰到这样的报错:fail saying these types are invalid,原因是 API 定义与实现不匹配。

setState 怎么调用平台实现

每个平台对 UI 更新逻辑的实现,会封装在 updater 函数里,所以不同平台代码会为组件添加各自的 updater 实现:


// Inside React DOM
const inst = new YourComponent();
inst.props = props;
inst.updater = ReactDOMUpdater;// Inside React DOM Server
const inst = new YourComponent();
inst.props = props;
inst.updater = ReactDOMServerUpdater;// Inside React Native
const inst = new YourComponent();
inst.props = props;
inst.updater = ReactNativeUpdater;

不同于 props, updater 无法被直接调用,因为这个 API 是由 react 引擎在 setState 时调用的:


// A bit simplified
setState(partialState, callback) {// Use the `updater` field to talk back to the renderer!this.updater.enqueueSetState(this, partialState, callback);
}

关系可以这么描述:react -> setState -> updater <- react-dom 等。

Hooks

Hooks 的原理与 setState 类似,当调用 useStateuseEffect 时,其内部调用如下:


// In React (simplified a bit)
const React = {// Real property is hidden a bit deeper, see if you can find it!__currentDispatcher: null,useState(initialState) {return React.__currentDispatcher.useState(initialState);},useEffect(initialState) {return React.__currentDispatcher.useEffect(initialState);}// ...
};

ReactDOM 提供了 __currentDispatcher(简化的说法):


// In React DOM
const prevDispatcher = React.__currentDispatcher;
React.__currentDispatcher = ReactDOMDispatcher;
let result;
try {result = YourComponent(props);
} finally {// Restore it backReact.__currentDispatcher = prevDispatcher;
}

可以看到,Hooks 的原理与 setState 基本一致,但需要注意 reactreact-dom 之间传递了 dispatch,虽然你看不到。但这个 dispatch 必须对应到唯一的 React 实例,这就是为什么 Hooks 不允许同时加载多个 React 实例的原因。

updater 一样,dispatch 也可以被各平台实现重写,比如 react-debug-hooks 就重写了 dispatcher。

由于需要同时实现 readContext, useCallback, useContext, useEffect, useImperativeMethods, useLayoutEffect, useMemo, useReducer, useRef, useState,工程量比较浩大,建议了解基本架构就足够了,除非你要深入参与 React 生态建设。

3 精读

与其他 React 分析文章不同,本文并没有过于刨根问题的上来就剖析 reconciler 实现,而是问了一个最基本的疑问:为什么 setState 来自 react 包,但实现却在 react-dom 里?React 是如何实现这个 magic 的?

通过这个疑问,我们了解了 React 更上层的抽象能力,如何用一个包制定规范,用 N 包去实现它。

接口的力量

在日常编程中,接口也拥有的强大力量,下面举几个例子。

UI 组件跨三端的接口

由于 RN、Weex、Flux 的某些不足,越来越多的人选择 “一个思想三端实现” 的方式做跨三端的 UI 组件,这样既兼顾了性能,又可以照顾到平台差异性,对不同平台组件细节做定制优化。

要实施这个方案,最大问题就是接口约定。一定要保证三套实现遵循同一套 API 接口,业务代码才可以实现 “针对任意一个平台编写,自动移植到其他平台”。

比较常用的做法是,通过一套统一的 API 文件约束,固定组件的输入输出,不同平台的组件做平台具体实现。这个思想和 React 如出一辙。

当然 RN 这些框架本身也是同一接口在不同平台实现的典型,只是做的不够彻底,JS 与 Native 的通信导致了性能不如源生。

通用数据查询服务

通用数据查询服务也比较流行,通过磨平各数据库语法,让用户通过一套 SQL 查询各种类型数据库的数据。

这个方案中,一套通用的查询语法就类似 React 定义的 API,执行阶段会转化为各数据库平台的 SQL 方言。

小程序融合方案

现在这种方案很火。通过基于 template 或者 jsx 的语法,一键发布到各平台小程序应用。

这种方案一定会抽象一套通用语法,甚至几乎等价与 reactreact-dom 的关系:所有符合规范的语法,转化为各小程序平台的实现。

4 总结

这种分平台实现方案与跨平台方案还是有很大区别的,像 JAVA 虚拟机本质还是一套实现方案。而分平台的实现可以带来最原生的性能与体验,同样收到的约束也最大,应该其 API 应该是所有平台支持的一个子集。

另外,这种方案不仅可以用于 一套规范,不同平台的实现,甚至可以用在 “同一平台的实现”。

无论是公司还是开源节界,都有许多重复的轮子或者平台,如果通过技术委员会约定一套平台的实现规范,大家都遵循这个规范开发平台,那未来就比较好做收敛,或者说收敛的第一步都是先统一 API 规范。

留下一个思考题:还有没有利用 setState 规范与实现分离的思想案例?欢迎留下你的答案。

讨论地址是:精读《setState 做了什么》 · Issue #122 · dt-fe/weekly

如果你想参与讨论,请点击这里,每周都有新的主题,周末或周一发布。前端精读 - 帮你筛选靠谱的内容。

来源:https://segmentfault.com/a/1190000017787272

转载于:https://www.cnblogs.com/lalalagq/p/10241717.html

精读《setState 做了什么》相关推荐

  1. 【韩松】Deep Gradient Comression_一只神秘的大金毛_新浪博客

    <Deep Gradient Compression> 作者韩松,清华电子系本科,Stanford PhD,深鉴科技联合创始人.主要的研究方向是,神经网络模型压缩以及硬件架构加速. 论文链 ...

  2. 【韩松】Deep Gradient Comression

    <Deep Gradient Compression> 作者韩松,清华电子系本科,Stanford PhD,深鉴科技联合创始人.主要的研究方向是,神经网络模型压缩以及硬件架构加速. 论文链 ...

  3. [文献阅读] Sparsity in Deep Learning: Pruning and growth for efficient inference and training in NN

    文章目录 1. 前言 2. Overview of Sparsity in Deep Learning 2.1 Generalization 2.2 performance and model sto ...

  4. 【翻译】Batch Normalization: Accelerating Deep Network Trainingby Reducing Internal Covariate Shift

    Batch Normalization: Accelerating Deep Network Trainingby Reducing Internal Covariate Shift Sergey I ...

  5. 模型加速--CLIP-Q: Deep Network Compression Learning by In-Parallel Pruning-Quantization

    CLIP-Q: Deep Network Compression Learning by In-Parallel Pruning-Quantization CVPR2018 http://www.sf ...

  6. 论文笔记30 -- (视频压缩)【CVPR2021】FVC: A New Framework towards Deep Video Compression in Feature Space

    <FVC: A New Framework towards Deep Video Compression in Feature Space> CVPR 2021 的一篇Oral 提出了特征 ...

  7. 端到端图像压缩《Asymmetric Gained Deep Image Compression With Continuous Rate Adaptation》

    Asymmetric Gained Deep Image Compression With Continuous Rate Adaptation 一 简介 二 内容 2.1 目前方法的缺陷 2.2 整 ...

  8. 深度学习视频压缩1—DVC: An End-to-end Deep Video Compression Framework

    本文是第一篇端到端使用神经网络来进行视频压缩的论文, github地址:GitHub - GuoLusjtu/DVC: DVC: An End-to-end Deep Video Compressio ...

  9. 【论文阅读】Deep Compositional Captioning: Describing Novel Object Categories without Paired Training Data

    [论文阅读]Deep Compositional Captioning: Describing Novel Object Categories without Paired Training Data ...

  10. CVPR 2018 TRACA:《Context-aware Deep Feature Compression for High-speed Visual Tracking》论文笔记

    理解出错之处望不吝指正. 本文的模型叫做TRACA.模型中使用多个expert auto-encoder,在预训练阶段,每个expert auto-encoder针对一个特定类进行训练:在tracki ...

最新文章

  1. 游戏让你额外多活10年#团队分享文字版
  2. 5 篇 AAAI 2018 论文看「应答生成」
  3. 监督学习 | 线性回归 之正则线性模型原理及Sklearn实现
  4. 实现三栏布局的几种方法
  5. 注释为基础的SpringMVC
  6. 连接两个std :: vector
  7. matlab用regress方法求ln函数_高中数学必背50条秒杀型公式和方法!高一高二高三都要看!...
  8. C#,SharpGL开发的3D图表控件
  9. Ruby On Rails简介
  10. ZynAddSubFX
  11. WRF users guide Chap5
  12. 发改委印发《关于促进分享经济发展的指导性意见》
  13. python plot画图函数_详解pandas.DataFrame.plot() 画图函数
  14. 风口起落的背后,是6271家创业公司的消亡
  15. 英语时态:一般、否定疑问句、现表将来
  16. 图灵学院python_Python——利用图灵创建聊天机器人
  17. java 删除注册表_java – 如何从Windows注册表中删除JRE条目?
  18. Day14 Date 包装类 Character
  19. HDU - 5976 Detachment(逆元)
  20. 机器学习之Matplotlib

热门文章

  1. 问题 1076: 内部收益率
  2. python 安装虚拟环境virtualenv
  3. ASP.NET MVC ActionMethodSelectorAttribute 以及HttpGet等Action特性
  4. Kali 2017更新源
  5. python自动化之正则
  6. (剑指Offer)面试题4:替换空格
  7. 总账分录追溯发票或者付款
  8. 完全编译安装boost
  9. sscanf用法详解-hdu2072
  10. 更改exe程序图标_更改电脑文件夹颜色、样式、图标,让文件夹不再是单一的黄色...