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

// 引入模块
let fs = require('fs');
// 数据内容
let fileCont='我是文件内容'
/**
 * 第一个参数是文件名
 * 第二个参数是文件内容，这个文件的内容必须是字符串哈(特别注意)
 * 第三个参数是回调函数, 回调函数中有两个参数,
 * 第一个参数是错误信息,
 * 第二个参数是写入成功后的返回值
 * */ 
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},
]

// 引入模块
let fs = require('fs');
// 生成100000条符合要求的数据格式
function timeFn(total){
  // 获取2022年1月1日的时间戳
  let dateTimeStamp = new Date(2022, 0, 1).getTime(); // 2022年1月1日 
  // 5分钟的时间戳是多少
  let oneHourStamp = 1000 * 60*5;
  let newArr = []
  for(let i= 0;i {
  // JSON.stringify(needData) 将数组转为字符串
  if (!error) {
    console.log('写入成功了',data)
  } else {
    console.log('写入失败了',error)
  }
})

10万条数据渲染耗时10秒，且页面非常卡顿

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',//' 表示采用平均值采样策略
  }
]

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,
    // 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
    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,
    //开启大数据量优化，在数据特别多而出现图形卡顿时候开启
    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://echarts.apache.org/zh/option.html#series-bar.type
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',
    //开启大数据量优化，在数据特别多而出现图形卡顿时候开启
    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',
    //开启大数据量优化，在数据特别多而出现图形卡顿时候开启
    large:true,
    // 数据量大于1万时开启高性能模式,如果没有大于1万;不会开启
    // 此时我们的数据是10万；会开启；渲染非常快
    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