Android記憶體最佳化雜談_Android

Android記憶體最佳化是我們效能最佳化工作中比較重要的一環，這裡其實主要包括兩方面的工作：
1、最佳化RAM，即降低運行時記憶體。這裡的目的是防止程式發生OOM異常，以及降低程式由於記憶體過大被LMK機制殺死的機率。另一方面，不合理的記憶體使用量會使GC大大增多，從而導致程式變卡。
2、最佳化ROM，即降低程式占ROM的體積。這裡主要是為了降低程式佔用的空間，防止由於ROM空間不足導致程式無法安裝。
本文的著重點為第一點，總結概述降低應用運行記憶體的技巧。在這裡我們不再細述PSS、USS等概念與Android應用的記憶體管理，如對這部分內容感興趣，可自行閱讀文末的參考文章。

記憶體泄露的檢測與修改
記憶體泄露：簡單來說對象由於編碼錯誤或系統原因，仍然存在著對其直接或間接的引用，導致系統無法進行回收。記憶體泄露，容易留下邏輯隱患,同時增加了應用記憶體峰值與發生OOM的機率。它屬於bug issue,是我們一定要修改的。

下面是造成記憶體泄露的一些常見原因，但是如何建立一套發現記憶體泄露、解決記憶體泄露的閉環方案，才是我們工作的重點。

一. 記憶體泄露的監控方案

Square的開源庫leakcanry是一個非常不錯的選擇,它通過弱引用方式偵查Activity或對象的生命週期，若發現記憶體泄露自動dump Hprof檔案，通過HAHA庫得到泄露的最短路徑，最後通過notification展示。

記憶體泄露判斷與處理的流程如下圖 ，各自啟動並執行進程空間(主進程通過idlehandler，HAHA分析使用的是單獨的進程)：

微信在leakcanry推出之前已經有了自己的記憶體泄露監控體系，與leakcanry大致有以下的區別：

• 在微信中，對於4.0以上的機型也是採用通過註冊ActivityLifecycleCallbacks介面，對於4.0以下的機型我們會嘗試反射ActivityThread中的mInstrumentation對象。當然，現在微信也改成只支援android-15以上，美美噠。
• leakcanry儘管使用了idlehandler與分進程，但是dumphprof依然會造成應用明顯的卡頓(SuspendAll Thread)。而在三星等一些手機，系統會緩衝最後一個Activity，所以在微信，我們採取了更嚴格的檢測模式，即泄露三次確認以及經過5個建立的Activity，確保不是由於系統緩衝的原因造成。
• 在微信中，當發現疑似記憶體泄露時會彈出對話方塊，當我們主動點擊時才會去做dumpHprof以及上傳Hprof快照的操作，而是否誤判、泄露鏈等分析工作也是放於伺服器端。

事實上，通過對leakcanry做簡單的定製，我們就可以實現以下一個記憶體泄露監控閉環。

二. 對系統記憶體泄露的Hack Fix

AndroidExcludedRefs列出了一些由於系統原因導致引用無法釋放的例子，同時對於大多數的例子，都會提供建議如何通過hack的建議去修複。在微信中，對TextLine、InputMethodManager、AudioManger、android.os.Message也採用了類似Hack的方式。三. 通過兜底回收記憶體

Activity泄漏會導致該Activity引用到的Bitmap、DrawingCache等無法釋放，對記憶體造成大的壓力，兜底回收是指對於已泄漏Activity，嘗試回收其持有的資源，泄漏的僅僅是一個Activity空殼，從而降低對記憶體的壓力。

做法也非常簡單，在Activity onDestory時候從view的rootview開始，遞迴釋放所有子view涉及的圖片，背景，DrawingCache，監聽器等等資源，讓Activity成為一個不佔資源的空殼，泄露了也不會導致圖片資源被持有。       

 …  …  Drawable d = iv.getDrawable();  if (d != null) {    d.setCallback(null);  }      iv.setImageDrawable(null);  ...  ...

總的來說，我們不是只懂得一些記憶體泄露解決方案就可以，更重要的是通過日常測試與監控，得到記憶體泄露檢測與修改的一整套閉環體系。

降低運行時記憶體的一些方法
當我們能確保應用中不會出現記憶體泄露時，我們需要一些其他的方法來降低運行時的記憶體。更多的時候，我們其實只希望降低應用發生OOM的機率。

Android OOM：

• Android 2.x系統，當dalvik allocated + external allocated + 新分配的大小 >= dalvik heap 最大值時候就會發生OOM。其中bitmap是放於external中 。
• Android 4.x系統，廢除了external的計數器，類似bitmap的分配改到dalvik的java heap中申請，只要allocated + 新分配的記憶體 >= dalvik heap 最大值的時候就會發生OOM（art運行環境的統計規則還是和dalvik保持一致）

一. 減少bitmap佔用的記憶體

說到記憶體，bitmap必然是這裡的大頭。對於bitmap記憶體佔用，想說的有以下幾點:

1、防止bitmap佔用資源多大導致OOM
Android 2.x 系統 BitmapFactory.Options 裡面隱藏的的inNativeAlloc反射開啟後，申請的bitmap就不會算在external中。對於Android 4.x系統，可採用facebook的fresco庫，即可把圖片資源放於native中。

2、圖片按需載入
即圖片的大小不應該超過view的大小。在把圖片載入記憶體之前，我們需要先計算出一個合適的inSampleSize縮放比例，避免不必要的大圖載入。對此，我們可以重載drawable與ImageView，例如在Activity ondestroy時，檢測圖片大小與View的大小，若超過，可以上報或提示。

3、統一的bitmap載入器
Picasso、Fresco都是比較出名的載入庫，同樣微信也有自己的庫ImageLoader。載入庫的好處在於將版本差異、大小處理對使用者不感知。有了統一的bitmap載入器，我們可以在載入bitmap時，若發生OOM(try catch方式)，可以通過清除cache，降低bitmap format(ARGB8888/RBG565/ARGB4444/ALPHA8)等方式，重新嘗試。

4、圖片存在像素浪費
對於.9圖，美工可能在出圖時在展開與非展開地區都有大量的像素重複。通過擷取圖片的像素ARGB值，計算連續相同的像素地區，自訂演算法判定這些地區是否可以縮放。關鍵也是需要將這些工作做到系統化，可及時發現問題，解決問題。

一個好的imageLoader，可以將2.X、4.X或5.X對圖片載入的處理對使用者隱藏，同時也可以將自適應大小、品質等放於架構中。

二. 自身記憶體佔用監控

對於系統函數onLowMemory等函數是針對整個系統而已的，對於本進程來說，其dalvik記憶體距離OOM的差值並沒有體現，也沒有回呼函數供我們及時釋放記憶體。假若能有那麼一套機制，可以即時監控進程的堆記憶體使用量率，達到設定值即關於通知相關模組進行記憶體釋放，這會大大的降低OOM。

• 實現原理

這個其實比較簡單，通過Runtime獲得maxMemory,而totalMemory-freeMemory即為當前真正使用的dalvik記憶體。  

Runtime.getRuntime().maxMemory();  Runtime.getRuntime().totalMemory() - Runtime.getRuntime().freeMemory()；

• 操作方式

我們可以定期(前台每隔3分鐘)去得到這個值，當我們這個值達到危險值時(例如80%)，我們應當主要去釋放我們的各種cache資源(bitmap的cache為大頭)，同時顯示的去Trim應用的memory,加速記憶體收集。

複製代碼 代碼如下:

WindowManagerGlobal.getInstance().startTrimMemory(TRIM_MEMORY_COMPLETE);

三. 使用多進程

對於webview，圖庫等，由於存在記憶體系統泄露或者佔用記憶體過多的問題，我們可以採用單獨的進程。微信當前也會把它們放在單獨的tools進程中

四. 上報OOM詳細資料

當系統發生OOM的crash時，我們應當上傳更加詳細的記憶體相關資訊，方便我們定位當時記憶體的具體情況。

其他例如使用large heap、inBitmap、SparseArray、Protobuf等不再一一細述，對代碼採用最佳化--埋坑--最佳化--埋坑的方式並不推薦。我們應該著力於建立一套合理的架構與監控體系，能及時的發現諸如bitmap過大、像素浪費、記憶體佔用過大、應用OOM等問題。

GC最佳化
Java擁有GC的機制，不同的系統版本GC的實現可能有比較大的差異。但是無論哪種版本，大量的GC操作則會顯著佔用幀間隔時間(16ms)。如果在幀間隔時間裡面做了過多的GC操作，那麼自然其他類似計算，渲染等操作的可用時間就變得少了。

一. GC的類型

GC的類型有以下幾種，其中GC_FOR_ALLOC是同步方式進行，對應用幀率的影響最大。

• GC_FOR_ALLOC

當堆記憶體不夠的時候容易被觸發，尤其是new一個對象的時候，很容易被觸發到，所以如果要加速啟動，可以提高dalvik.vm.heapstartsize的值，這樣在啟動過程中可以減少GC_FOR_ALLOC的次數。注意這個觸發是以同步的方式進行的。如果GC後仍然沒有空間，則堆進行擴張

• GC_EXPLICIT

這個gc是被可以調用的，比如system.gc, 一般gc線程的優先順序比較低，所以這個記憶體回收的過程不一定會馬上觸發， 千萬不要認為調用了system.gc，記憶體的情況就能有所好轉

• GC_CONCURRENT

當分配的對象大小超過384K時觸發，注意這是以非同步方式進行回收的.如果發現大量反覆的Concurrent GC出現，說明系統中可能一直有大於384K的對象被分配，而這些往往是一些臨時對象，被反覆觸發了。給到我們的暗示是：對象的複用不夠。

• GC_EXTERNAL_ALLOC （在3.0系統之後被廢了）

Native層的記憶體配置失敗了，這類GC就會被觸發。如果GPU的紋理、bitmap、或者java.nio.ByteBuffers的使用沒有釋放，這種類型的GC往往會被頻繁觸發。

二. 記憶體抖動現象

Memory Churn記憶體抖動，記憶體抖動是因為在短時間內大量的對象被建立又馬上被釋放。瞬間產生大量的對象會嚴重佔用記憶體地區，當達到閥值，剩餘空間不夠的時候，會觸發GC從而導致剛產生的對象又很快被回收。即使每次分配的對象佔用了很少的記憶體，但是他們疊加在一起會增加Heap的壓力，從而觸發更多其他類型的GC。這個操作有可能會影響到幀率，並使得使用者感知到效能問題。

通過Memory Monitor，我們可以跟蹤整個app的記憶體變化情況。若短時間發生了多次記憶體的漲跌，這意味著很有可能發生了記憶體抖動。

三. GC最佳化

通過Heap Viewer，我們可以查看當前記憶體快照，便於對比分析哪些對象有可能發生了泄漏。更重要的工具是Allocation Tracker，追蹤記憶體對象的類型、堆棧、大小等。手Q有做一個統計工具，對Allocation Tracker的未經處理資料，按照（類型&堆棧）的組合（堆棧取棧頂的5層）統計某一種對象分配的大小、次數。同時按照次數、大小的排序，從多/大到少/小結合程式碼分析，並自頂向下的逐輪進行最佳化。

這樣，我們就可以快速知道發生記憶體抖動時，是因為哪些變數的建立造成頻繁GC。一般來說我們需要注意以下幾個方面：

字串拼接最佳化
減少字串使用加號拼接，改為使用StringBuilder。減少StringBuilder.enlarge，初始化時設定capacity；這裡需要注意的是，若開啟Looper中Printer回調,也會存在較多的字串拼接。

 Printer logging = me.mLogging;  if (logging != null) {    logging.println(">>>>> Dispatching to " + msg.target + " " +        msg.callback + ": " + msg.what);  }

• 讀檔案最佳化 讀檔案使用ByteArrayPool，初始設定capacity，減少expand
• 資源重用

建立全球緩衝池，對頻繁申請、釋放的物件類型重用

• 減少不必要或不合理的對象

例如在ondraw、getview中應減少對象申請，盡量重用。更多是一些邏輯上的東西，例如迴圈中不斷申請局部變數等

• 選用合理的資料格式 使用SparseArray, SparseBooleanArray, and LongSparseArray來代替Hashmap

總結
我們並不能將記憶體最佳化中用到的所有技巧都一一說明，而且隨著Android版本的更替，可能很多方法都會變的過時。我在想更重要的是我們能持續的發現問題，精細化的監控，而不是一直處於"哪個有坑填哪裡的"的窘況。在這裡給大家的建議有：

1、率先考慮採用已有的工具；中國人喜歡重複造輪子，我們更推薦花精力去最佳化已有工具，為廣大碼農做貢獻。生活已不易，碼農何為為難碼農！
2、不拘泥於點，更重要在於如何建立合理的架構避免發生問題，或者是能及時的發現問題。
當前微信記憶體監控體系中也存在一些不盡人意的地方，在未來的日子裡也同樣需要努力去最佳化。

以上就是本文的全部內容，希望對大家最佳化Android記憶體有所協助。