Android端内数据状态同步方案VM-Mapping详解

• • eventbus
  • 全局共享数据model实例
• 基于注解的对象映射方案vm-mapping
• 突破view层级的限制
• • 数据驱动ui

背景

西瓜在feed、详情页、个人主页有一块功能区，包括了点赞、收藏、关注等功能。这些功能长久以来都是孤立的：多个场景下点赞、收藏、关注等状态或数量不一致。在以往的业务迭代中，都是业务a有了需求，就加个点赞的请求，把自己业务模块的ui更新下就完事了，业务b也自己搞一下。当西瓜开始从切面发力互动业务的时候，这些问题就凸显出来了。线上出现了很多在页面a点赞/收藏完一个视频到页面b点赞/收藏状态或者点赞/收藏数不对的case。

例如：

问题拆解

在分析这块业务时，梳理出几种问题：

1. 业务上场景太分散，体现到代码上就是在activity、scene、viewholder、自定义view等各种个样的容器，多个业务模块、多个端（web、flutter）上都有很相似的操作，代码跨度很大。
2. 存量的代码中有些场景是处理过同步问题的，但是处理的又不彻底，方案也不一样，比如有的情况用了全局注册callback，来通知所有对结果敏感的场景；有的情况用了eventbus；有的情况是更新内存，但是却只是个别几个模块通用。
3. 一部分问题是原来的业务逻辑，比如，使用更新后的内存变量在多个页面或者模块传递引用，由于层次比较深引用值被中间的流程篡改。
4. 一部分问题是服务端数据逻辑问题。

其中3、4点问题更像是逻辑bug。

多个端的数据同步可以通过跨端事件，每个端收到事件后更新自己就行。所以最复杂最难搞的问题就是端内多场景下的数据状态同步问题。

端内问题聚焦在几个case：

• case1:普通页面，如activity or fragment上的状态同步；
• case2:feed卡片的状态同步；
• case3:feed卡片内多个复杂层级之间的状态同步；
• case4:以上的组合。

目标

• 数据状态同步，是要保证两个一致性：数据一致性、ui一致性；
• 方案要使用简单，理解简单；
• 尽可能减少性能开销。

方案调研

eventbus

这个方案的本质是：监听者收到事件->更新ui/更新数据model

• 对于case1:如果是a页面发起，b页面被动接收，只需要在b页面接收事件，更新b页面的model对象+ui即可。但是在收到事件之后，一定要把当前页面的model对象更新，不然会有不一致的问题。
• 对于case2：

1. eventbus注册在viewholder 上：由于viewholder的复用，viewholder的数量是少于“listdata”的，那么意味着，只在viewholder上监听，会出现那些没有和viewholder 建立联系的数据无法被更新到。如果使用黏性事件，该事件会一直在内存中，粘性事件的膨胀不可控，很可能会造成严重的内存问题。
2. eventbus注册在activity or 其它页面上，收到事件后，遍历数据列表，更新，然后通过recyclerview的ondataitemchanged方法局部更新。但是在很多场景，比如西瓜feed，feed框架之下的view层次非常深。很多时候rd只关注某类卡片下的某个ui组件，feed框架和顶层页面容器离的很远，修改成本高，容易出错，对feed框架或者顶层容器的侵入比较大。另外，ondataitemchanged的局部更新是viewholder 对应的itemview的，这个维度比较大，并不能刷新单独的一个点赞按钮。

基于k-v的监听、通知

以对象id为key，某个属性值如点赞数为value。事件发生时，将修改值写入k-v列表，监听者全部监听这个变化。当新进入一个场景时，查询k-v列表作为最新值。这个方案和eventbus粘性事件很像。

• k-v 粒度太细，一直在内存中，非常容易膨胀，没有合适的释放时机，导致内存浪费；一旦移除，就可能概率的数据同步失效。
• k-v列表内的状态要使用者在合适的时机同步到业务层数据model。

全局共享数据model实例

同一个数据model对象，比如一个卡片model，每次更新都是全局可见的。但是很明显，

• 对数据model的要求很高。一个业务层数据model类型，要全局统一，比如，一个视频卡片业务层的类型是“modela”，那么全局场景不能有“modelb”表示卡片。在很多场景下，业务层会对原始数据model进行包装适配；
• 内存占用很大；可能要缓存很多个列表。

基于注解的对象映射方案vm-mapping

特点

1. 以命名空间+指定字段值 为key，匹配相同注解名的字段的映射，打平了model类型的不同、层级嵌套的约束；
2. 直接更新结果到数据model（如article），与数据model视角的同步；
3. 打平了多个页面、复杂view层级嵌套的差异；
4. 自动处理更新，使用者仅需要关心怎么更新ui，不需要考虑数据model的一致性；
5. 任意场景的支持。

思考

1. 数据状态同步，到底同步的是什么？
2. 上述的方案中大致有几个角色：事件、监听者、数据model、ui。到底谁应该是主导者？
3. 基于事件的方案都需要把状态同步给数据model，能简化吗？

这个过程中有四个角色，三个操作。

突破view层级的限制

从mvvm说起。

mvvm是一种软件设计典范，用一种业务逻辑、数据、界面显示分离的方法组织代码。

mvvm本质上是一种数据驱动ui的理念。从这个理念看，数据状态同步，同步的是数据model，ui的变更是由数据的变更引起的，真正关注的点应该在数据本身上。

这样，就不再需要额外一个接受事件的“容器”，来控制数据和ui了。到现在，只有三个角色，两个操作了。

再回过头看，为什么跨页面、跨多view层级很难找到一个通用方案，是因为总在找一个“容器”来承载事件的接受，然后再做双份（数据和view）的同步。而且这个“容器”通常本身就是一个页面，或者其它不同层级上的view，本身就存在很多样化，为这种多样化适配，就会让事情变得复杂。

假如不再找额外的“容器”，直接把监听绑定在数据上，那么view层级的限制也就不存在了。因为不管在什么场景，什么层级，真正的逻辑中心都是数据，view也是通过数据渲染出来的，view不关心自己在什么层级，只关心数据的变化。

突破类型的限制

这里有几个类型的限制：

1. 数据model的类型是否只能一成不变，假如网络请求的原始数据是a类型，在场景1直接用了a类型，在场景2为了适配ui对a做了包装：

虽然类型不同，但是对a、b来说，都是要更新diggstatus的；

2. 在android，数据model的类型是强类型，是从网络由二进制流反序列化出来的，那么同一个二进流，既可以反序列化成a类型 ，又可以反序列化成b类型，只要满足反序列化规则就行。但是事实上，他们的业务本质还是一个东西。
3. 事件本身也是一个数据，只是它是用户操作发起的，表象看和数据model无关，但是一个事件既然能更新某个数据model，那他们一定存在着对应关系。

这个问题的本质是，类型约束是语言特性，但是和业务属性无关，只要他们能确认是一个业务含义，不管他们怎么换“马甲”，他们总是能匹配上的。

这样就演变成了：

1. 怎么确定两个类型是一个业务含义；
2. 怎么确定属性的对应关系（字段匹配）。

第一个好说，主要能有唯一的业务标识，就能确定是一个业务含义；怎么确定属性的对应关系呢？

现有的技术体系里就有可以借鉴的思想：数据库的使用。像jetpack 的room组件：

可以看到，我们只要要在应用层这么定义一个数据model叫user，为它加上注解，就可以把数据库中的字段和我们的数据对应上。那么方案呼之欲出，注解是可以完成属性匹配的。

于是乎整个流程就简化成了：

这个流程可以看到，只剩下了两个角色，和两个操作了。

所谓数据更新ui，就是view-model；数据映射数据，就是data-mapping，于是这个方案的名称就是vm-mapping。

详细设计

需要对上述抽象流程做实现。

映射

前面说到，映射关系由注解维护，一个有三个注解：

• mappable注解 ：

标注在class上，用来识别这个类是不是可以被处理。

其中mappingspace是命名空间，表示是“一类”数据，可以和数据库表名对比理解，mappingspace就是tablename。

• primarykey注解：

标记在字段上，被标记的字段作为model对象的唯一标识。

mappingspace+primarykey的值，就是在映射关系中的唯一业务标识。

• mappablekey注解：

标注在字段上，需要被映射对应的字段

映射关系说明：

数据驱动ui

android里有很多类似理念的东西，比如livedata，就是数据更新通知到ui上。本质上数据驱动ui，就是在数据data<->ui 之间建一个“桥梁”。

这个不过livedata并不适合用在这里，理由是：

• livedata绑定的生命周期是lifecycleowner，也就是activity、fragment维度，明显我们的场景维度更细；
• 直接observeforever也可以，但是由于view层级的多样，调用方通常需要合适的时机移除；
• livedata 强引用了数据data，这个“桥梁”本身对数据data的生命周期造成了影响。

vm-mapping做了个简单方案。用了两级hashmap，一级hashmap使用业务唯一标识（mappingspace+primarykey的值）为key，二级使用weakhashmap，以数据model实例为key，xgviewmodel为value。维护数据data 和 ui回调之间的关系：

xgviewmodel维护了通知给ui的弱引用回调合集。一个数据model实例对应了一个xgviewmodel。

当映射发生时，会通过业务标识key，查找所有还没有被回收的数据model实例，然后通过对应的xgviewmodel通知ui自己的变更。

总体流程

在这个流程中，业务使用只需要关心发起映射数据和更新视图。

因为存在列表，那么会有一个列表的维护者，就是所谓的映射中心。映射中心有两个核心能力：

1. 收集需要被更新的数据model列表；
2. 查找匹配。

其它细节

• 因为使用了反射，为了减少性能损耗，会对收集的数据model类型做class和相关字段的缓存。
• 列表存在膨胀现象，二级弱引用列表的key是数据model实例本身，当它被虚拟机回收的时候，会把一级列表中的该项移除，当一级列表某个key下没有内容时，也会把该key移除。
• 移除的时机在每次添加数据model到列表；
• 移除的条件是一级列表长度达到阈值。

但是注意，这个移除并不会影响vm-mapping的能力，因为vm-mapping关注的是数据本身，当数据被回收的时候，不会有任何场景会用到这个数据，自然也不用关心是不是需要通知到它。

• 为了避免影响主线程，和多线程竞争列表的问题，映射中心操作都在单子线程中处理。

方案对比

方案	优势	劣势
eventbus	理解成本低	事件、ui、数据model三个角色都要保持一致，适配各种场景的成本高，不通用。
全局共享数据model实例	使用简单	条件苛刻；占用内存，膨胀不可控制。
基于k-v的监听、通知	各场景通用	粒度太细导致内存不可控制，移除策略会导致同步失效。事件需要手动同步数据model。
vm-mapping	使用简单，不需要手动同步回数据model，在所有场景下通用。	用到了反射，有一部分性能损耗。

方案收益

西瓜在之前遗留了大量的类似问题，一直没有好的方案解决，要么存在根本性缺陷，要么实施成本高。vm-mapping支持了在西瓜中视频相关的核心场景快速接入，实现了线上点赞数异常问题清零。

后续计划

• 根据统计，由于使用运行时注解+反射，一个操作的耗时均值在10ms左右。仍然有可以优化的空间。可以考虑使用编译时注解维护数据映射关系。
• 目前订阅数据的变化，维度是数据本身，而不是变化的字段，可以考虑通过kotlin delegate 细化监听维度。

到此这篇关于android端内数据状态同步方案vm-mapping详解的文章就介绍到这了,更多相关android端内数据状态同步方案vm-mapping内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！