在一个应用中，应前端要求需要过滤后端接口响应JSON数据中的 null 字段，过滤操作会有性能影响，那么如何决定是否增加这个功能呢？
首先需要确定衡量指标。通常时间（time）和空间（memory）是两个衡量程序性能状况额指标，在这个例子中空间并不是制约因素，因而只考虑时间指标。
实现
接着我们需要一个程序实现。这个实现简单的递归过滤 Object 中值为 null 的字段，
/** * 不过滤数组元素为null的情况，如 * `[null, 'foo', null]`过滤后仍然为`[null, 'foo', null]` */ function prune(data) { if (_.isArray(data)) { _.each(data, prune) } else if (_.isObject(data)) { _.each(data, function(value, key) { if (_.isObject(value)) { prune(value) } else if (value === null) { delete data[key] } }) } return data } 单元测试见附录。
影响因素
然后根据程序实现判断性能的影响因素
什么因素会影响时间指标呢？JSON数据的大小（size）？JSON数据的字段数？JSON数据的层次结构？
时间指标受JSON数据的字段（包括递归字段）影响，因为在 prune 的实现中，遍历 Object 和 Array 的时间决定了程序执行时间。
benchmark
最后根据影响因素选择测试数据，进行基准测试并得出结论
借助 benchmark.js ，以 noop 为参照组进行基准测试
有两组测试数据，真实线上接口获取的 realSamples 和随机生成的模拟数据 fakeSamples 。
var fs = require('fs') var Benchmark = require('benchmark') var suite = new Benchmark.Suite() var getSample = require('./sample').getSample var getSampleSize = require('./sample').getSampleSize var prune = require('../src/utility').prune var noop = function(){} var filenames = fs.readdirSync(__dirname + '/samples') var realSamples = filenames .map(function(filename) { return JSON.parse( fs.readFileSync(__dirname + `/samples/${filename}`, 'utf8') ) }) var realSizes = realSamples.map(getSampleSize) var fakeSizes = [10, 100, 1000, 10000] var fakeSamples = fakeSizes.map(function(size) { return getSample(size) }) // add tests realSamples.forEach(function(sample, index) { var filename = filenames[index] suite .add(`prune#real:${filename}:${getSampleSize(sample)}`, function() { prune(sample) }) }) fakeSamples.forEach(function(sample, index) { var size = fakeSizes[index] suite .add(`prune#fake:${size}:${getSampleSize(sample)}`, function() { prune(sample) }) }) suite .add('noop', function() { noop(realSamples[0]) }) // add listeners suite .on('cycle', function(event) { console.log(String(event.target)) }) .on('complete', function() { var totalSize = realSizes.reduce(function(sum, size) { return sum + size }, 0) var averageSize = Math.floor(totalSize / realSizes.length) console.log(`real samples total size ${totalSize}, average size ${averageSize}`) console.log('Fastest is ' + this.filter('fastest').map('name')) }) // run .run() 这里还实现了 getSampleSize 方法（见附录），用于统计JSON数据的字段总量。以此来粗略估计线上真实接口返回数据的平均字段数量。
运行结果 [1]
prune#real:adverts.json:47 x 179,918 ops/sec ±2.10% (79 runs sampled) prune#real:areas.json:5126 x 1,333 ops/sec ±2.47% (74 runs sampled) prune#real:citys.json:6417 x 1,363 ops/sec ±1.07% (90 runs sampled) prune#real:count.json:1037 x 6,043 ops/sec ±1.75% (89 runs sampled) prune#real:menus.json:55 x 47,010 ops/sec ±1.34% (86 runs sampled) prune#real:pois.json:3136 x 2,316 ops/sec ±3.16% (84 runs sampled) prune#real:subway.json:1999 x 3,043 ops/sec ±1.85% (89 runs sampled) prune#fake:10:10 x 286,702 ops/sec ±1.64% (88 runs sampled) prune#fake:100:100 x 63,893 ops/sec ±1.56% (89 runs sampled) prune#fake:1000:985 x 8,173 ops/sec ±1.63% (86 runs sampled) prune#fake:10000:9995 x 997 ops/sec ±1.80% (87 runs sampled) noop x 80,713,438 ops/sec ±1.85% (87 runs sampled) real samples total size 17817, average size 2545 Fastest is noop 结论：平均字段总量为 2545 ，向上取证以 10000 量级计算，使用 prune 处理数据大约需要1ms，并不影响整个应用的性能。
小结
上面已经用黑体标记了重点，这里再做一次小结
- 确定衡量指标
- 实现程序
- 判断影响因素
- 选择测试数据，进行基准测试
- 得出结论
附录
- 看起来
getSampleSize或getSample函数计算有偏差，不过在这里可以忽略这个问题。
sample生成器
var Chance = require('chance') var _ = require('lodash') var DATA_TYPES = [ 'bool', 'character', 'floating', 'integer', 'natural', 'string', 'Array', 'Object', ] function getSample(size, sample, chance) { chance = chance || new Chance() sample = sample || {} var index, cursor, pick, type, key, value for (index=0, cursor=0; index<size; index++, cursor++) { pick = chance.integer({min: index, max: size-1}) switch(type = chance.pick(DATA_TYPES)) { case 'Array': value = getSample(pick - index, [], chance) index = pick break case 'Object': value = getSample(pick - index, {}, chance) index = pick break default: value = chance[type]() } key = sample.constructor.name === 'Array' ? cursor : chance.word() sample[key] = value } return sample } function getSampleSize(sample) { return _.reduce(sample, function(sum, value, key) { if (_.isArray(value)) { sum += getSampleSize(value) } else if (_.isObject(value)) { sum += getSampleSize(value) } return sum + 1 }, 0) } module.exports = { getSample: getSample, getSampleSize: getSampleSize, } 单元测试
describe('utility', () => { describe('prune', () => { it('do not touch primitive type', () => { expect(prune(123)).to.deep.equal(123) expect(prune('123')).to.deep.equal('123') expect(prune(null)).to.deep.equal(null) expect(prune([1, 2, '3'])).to.deep.equal([1, 2, '3']) expect(prune({foo: 'bar'})).to.deep.equal({foo: 'bar'}) }) it('prune null value in object', () => { expect(prune({foo: 'bar', baz: null})).to.deep.equal({foo: 'bar'}) }) it('do not prune null in array', () => { expect( prune([null, 'foo', null, 'bar', null]) ).to.deep.equal([null, 'foo', null, 'bar', null]) }) it('complex json prune', () => { expect( prune([ null, { 'foo1': 'bar1', 'foo2': { 'foo3': ['bar3', null], 'foo': null, }, 'foo': null }, null ]) ).to.deep.equal([ null, { 'foo1': 'bar1', 'foo2': { 'foo3': ['bar3', null], }, }, null ]) }) }) }) 
![[HBLOG]公众号](https://www.liuhaihua.cn/img/qrcode_gzh.jpg)
