当前位置:首页 > 文章列表 > 文章 > 前端 > Web Streams tee 分流后一个消费者变慢会发生什么

Web Streams tee 分流后一个消费者变慢会发生什么

来源:17golang原创 2026-09-14 18:05:39 0浏览 收藏

我第一次把一个 Response.body 同时交给页面渲染和缓存逻辑时,直觉是“慢的那支会把快的那支也拖住”。但 ReadableStream.tee() 的实际语义不是这样:它返回两个分支,背压只会部分地按较快消费者传播,慢分支来不及读取的 chunk 会继续留在自己的内部队列里。小响应通常没事,大响应或长期速度不一致时,内存才是需要优先排查的地方。

要点速览
  • tee() 不会把两个消费者强制同步,快分支可以继续拿数据。
  • 慢分支的未读数据由内部队列承接;只读一支时,另一支可能积累整个响应体。
  • 小数据可以接受这种便利;大流要考虑协调消费、有界缓冲或能按慢端背压的自定义分流。

一个分支慢时,快分支不会自动等它

const [left, right] = stream.tee() 会创建两个新的 ReadableStream,原流本身同时被锁定。两个分支拿到的内容顺序一致,但消费速度可以不同。假设渲染分支每次很快读取,而缓存分支要先写入磁盘或等待网络,那么渲染分支仍可能继续前进。

关键不在于数据是否“丢了”,而在于“还没被慢分支读取的 chunk 放在哪里”。标准语义允许这些数据排在慢分支的内部队列中;当两个分支都有未读数据时,上游控制器的 desiredSize 才会影响继续拉取。因此,tee() 是方便的复制入口,却不是默认有界的广播队列。

Web Streams tee 分流中快分支、慢分支、内部队列与部分背压的关系示意图
图1:Web Streams tee 分流的静态关系示意;快分支继续读取时,慢分支的未读 chunk 会留在自己的内部队列。

用延迟读取示例看出积压发生在哪一支

下面的实验故意让第二个消费者每次多等一段时间。代码只用于复现“两个读取循环速度不同”的结构,输出应结合浏览器的内存面板或你自己的计数器观察,不要把示例中的日志当成固定的浏览器运行结果。

async function readBoth(stream) {
  // tee 会把一个可读流拆成两个独立分支,原流随后不能再直接取 reader。
  const [fastBranch, slowBranch] = stream.tee();

  const consume = async (branch, delay, label) => {
    const reader = branch.getReader();
    try {
      while (true) {
        const { value, done } = await reader.read();
        // done 表示该分支结束;结束后不要再访问 value。
        if (done) break;
        console.log(label, value.byteLength ?? value.length ?? 1);
        // 用延迟模拟缓存写入、解码或慢网络,不代表真实吞吐量。
        if (delay) await new Promise(resolve => setTimeout(resolve, delay));
      }
    } finally {
      // 发生异常或提前退出时释放 reader,避免继续占用分支。
      reader.releaseLock();
    }
  };

  await Promise.all([
    consume(fastBranch, 0, "fast"),
    consume(slowBranch, 200, "slow")
  ]);
}

观察这个结构时,先不要急着调高水位线。快分支的日志先出现,只能说明它读取得更快;慢分支尚未取走的内容仍要由队列保存。若把慢分支完全不启动,积压会更明显,这也是 MDN 特别提醒“大响应不要让两支以明显不同速度并行读取”的原因。

背压、内存增长和取消不是同一件事

可以把几个容易混淆的现象分开看:

现象实际含义排查重点
快分支仍在读上游可能继续提供数据,tee 没有等待慢端两支的读取间隔与 chunk 计数
慢分支延迟变大未读 chunk 可能留在慢分支内部队列响应大小、消费时长、页面内存曲线
只消费一支另一支没有读取,整个 body 可能持续排队是否真的需要第二份数据
业务不再需要响应取消要覆盖两个分支分别调用分支 reader 的 cancel,并处理拒绝

desiredSize 能帮助理解队列压力,但它不是一个可以把无限积压自动变成安全上限的开关。尤其是 Response.body 较大、一个分支连到慢速写入端时,浏览器或运行时是否继续从底层拉取,还取决于底层 source 对背压的支持。

怎么选分流方案并复查

如果只是把几十 KB 的响应同时交给渲染和短暂的日志处理,tee() 的简单性通常值得保留。若是下载、视频、长轮询或持续生成内容,我会先问三个问题:第二支是否真的必须存在、两支速度差是否长期存在、能不能接受一个明确的内存上限。

不需要第二支时,直接让唯一消费者读取原流;需要两支但必须同步时,让业务层以较慢端的节奏协调读取;需要异步解耦时,使用带明确最大长度和溢出策略的队列。若要求快端继续前进,同时又不能让慢端无限积压,就应选择或实现会把背压传递到慢端的 fan-out,而不是只把 tee() 外面再套一层无界数组。

最后复查关闭路径:两个分支都完成,或两个分支都被取消;异常不会只停掉快分支而把慢分支留在后台。这样看,问题的答案不是“慢消费者会不会让快消费者变慢”,而是“你的分流策略是否为慢消费者定义了可控的存储和结束方式”。

ReadableStream tee 与协调读取、有界缓冲、双分支取消之间的方案边界示意图
图2:不同分流方案的职责边界示意;数据规模和速度差决定是否需要有界缓冲或完整慢端背压。

常见问题

tee() 会丢掉慢分支的数据吗?

正常情况下不会因为速度慢就主动丢弃;未读数据会在慢分支的内部队列中等待。真正的风险是队列增长带来的内存压力。

只读取 tee 返回的第一个分支可以吗?

语义上可以,但没有读取的第二支可能持续积累数据。若不需要第二份内容,直接读取原流更清楚,也避免无意义的缓存。

取消一个分支就能停止原流吗?

不要这样假设。按 Web Streams 的 tee 语义,业务应分别处理两个分支的取消与异常,并确认底层资源最终结束。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go sync.RWMutex 读多写少场景下如何判断是否值得使用Go sync.RWMutex 读多写少场景下如何判断是否值得使用
上一篇
Go sync.RWMutex 读多写少场景下如何判断是否值得使用
SkildArt和传统商品摄影怎么分工?四类电商图片的选型判断
下一篇
SkildArt和传统商品摄影怎么分工?四类电商图片的选型判断
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。
    23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。
    126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。
    51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。
    21次使用
  • OpenCompass大模型评测体系详解:功能、使用指南与应用场景
    OpenCompass
    OpenCompass是上海AI实验室推出的开源大模型评测平台,提供CompassKit、CompassHub和CompassRank三大核心组件,支持LLM及多模态模型的一站式标准化评估与排行榜查询。
    74次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议隐私政策
返回登录
  • 重置密码