当前位置:首页 > 文章列表 > 文章 > 前端 > 虚拟列表实现万级数据不卡顿的核心在于只渲染可视区域内的元素,而不是一次性渲染所有数据。以下是实现的关键技术和优化思路:一、核心原理:虚拟滚动(VirtualScrolling)虚拟列表的核心思想是只渲染当前可见区域内的元素,而将不可见的元素从DOM中移除或隐藏,从而大幅减少DOM节点数量,提升性能。二、实现步骤1.计算容器高度和滚动位置获取容器的高度(containerHeight)。监听滚动事件

虚拟列表实现万级数据不卡顿的核心在于只渲染可视区域内的元素,而不是一次性渲染所有数据。以下是实现的关键技术和优化思路:一、核心原理:虚拟滚动(VirtualScrolling)虚拟列表的核心思想是只渲染当前可见区域内的元素,而将不可见的元素从DOM中移除或隐藏,从而大幅减少DOM节点数量,提升性能。二、实现步骤1.计算容器高度和滚动位置获取容器的高度(containerHeight)。监听滚动事件

2026-04-15 11:45:37 0浏览 收藏
虚拟列表是解决万级数据渲染卡顿的核心方案,其本质是绕过浏览器的DOM性能瓶颈——避免一次性创建海量节点,转而只渲染可视区域及少量缓冲区的内容;但要真正实现流畅体验,关键在于精准配置vue-virtual-scroll-list的keeps(20–50)、estimate-size(整数像素值)、data-key等参数,并严格遵循“纯函数式渲染”原则:子组件不得依赖内部状态、禁用v-model、避免生命周期钩子中的副作用;同时需确保滚动条高度计算准确、加载逻辑防抖或手动控制触发时机,否则极易出现白屏、错位、重复触发或滚不到底等典型问题——这不是开箱即用的黑盒,而是需要深入理解渲染机制与组件原理的精细调优过程。

如何用虚拟列表(Virtual List)渲染万级数据量而不产生卡顿

为什么直接用 v-for 渲染万级数据会卡死

浏览器渲染性能瓶颈不在 JS 执行,而在 DOM 节点创建、布局计算和重绘。10 万条

即使内容极简,也会生成 10 万个真实 DOM 节点,占用几十 MB 内存;滚动时触发频繁 layout + paint,Chrome DevTools 的 Performance 面板里帧率常掉到 5–10 fps,移动端极易闪退。

vue-virtual-scroll-list 的关键参数怎么设才不白屏

它不是“开箱即用就流畅”,keeps 和 estimate-size 设错会导致快速滚动时顶部/底部闪空白,或失去优化效果:

  • keeps:表示**始终保留在 DOM 中的节点数**(含缓冲),不是“可视区数量”。设为 20–50 是经验区间;若列表项高度为 60px、容器高 600px,则可视区最多显示 10 条,keeps=30 比较稳妥
  • estimate-size:必须是**单个列表项的精确像素高度**(如 60),不能写成 '60px' 或 60.5(浮点会累积误差);高度不固定时不能用此组件,得换支持动态高度的方案(如 vue-virtual-scroller)
  • 务必传 data-key,否则内部复用逻辑失效,滚动时可能错位或重复渲染

子组件里不能依赖内部状态,否则会出问题

vue-virtual-scroll-list 采用就地 patch(in-place patching),即复用已有 DOM 节点、只更新 props,不销毁重建。这意味着:

  • 子组件里不能用 v-model 绑定输入框,因为输入值存在 DOM 的 value 属性里,patch 不会重置它,滚动后会出现“上一条数据的输入内容显示在下一条上”
  • 不能在 mounted 或 created 里做一次性副作用(如发请求、初始化 canvas),这些钩子不会随数据项滚动而重复触发
  • 所有状态必须来自父组件传入的 source 和 index,且每次 render 都应是纯函数式输出

滚动到底部加载更多,@tobottom 为什么总触发两次

这不是 bug,是设计行为:@tobottom 在滚动接近底部(默认距离 100px)时触发,但如果你在回调里同步修改 data-sources,新数据插入后总高度变大,滚动位置未变,导致事件再次满足条件。

解决方法很简单:

  • 加防抖:用 setTimeout 或 lodash.debounce 包一层
  • 改用 loadmoreoffset 显式设大一点(比如 200),留足缓冲空间
  • 更稳妥的做法是监听 scroll 事件自己算:scrollTop + containerHeight >= scrollHeight - 50,再手动触发加载

最易被忽略的一点:虚拟列表撑起滚动条靠的是 height: ${totalItems * itemHeight}px 这个占位 div,所以数据总数必须准确——如果后端分页返回 1000 条但你本地缓存了 999 条,滚动条长度就会短一截,用户永远滚不到底,@tobottom 自然不会触发。

以上就是《虚拟列表实现万级数据不卡顿的核心在于只渲染可视区域内的元素,而不是一次性渲染所有数据。以下是实现的关键技术和优化思路:一、核心原理:虚拟滚动(VirtualScrolling)虚拟列表的核心思想是只渲染当前可见区域内的元素,而将不可见的元素从DOM中移除或隐藏,从而大幅减少DOM节点数量,提升性能。二、实现步骤1.计算容器高度和滚动位置获取容器的高度(containerHeight)。监听滚动事件,获取当前滚动位置(scrollTop)。2.计算可见区域的索引范围根据每个元素的高度(itemHeight),计算出当前可见的起始索引和结束索引:conststartIndex=Math.floor(scrollTop/itemHeight);constendIndex=startIndex+Math.ceil(containerHeight/itemHeight);3.渲染可见区域的元素只渲染startIndex到endIndex之间的元素,其余元素不渲染或设置为display:none。4.使用requestAnimationFrame优化渲染避免频繁重绘,使用节流方式控制渲染频率。三、关键技术点1.动态》的详细内容,更多关于的资料请关注golang学习网公众号!

AI新年全家福生成方法及入口指南AI新年全家福生成方法及入口指南
上一篇
AI新年全家福生成方法及入口指南
Ozon入驻申请技巧:账号注册审核全攻略
下一篇
Ozon入驻申请技巧:账号注册审核全攻略
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    268次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    320次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    305次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    282次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    99次使用