app優化之流量節省

前言：「客戶端上傳時間戳」的玩法，你玩過麼？一塊兒聊聊時間戳的奇技淫巧！，其實這個相似於數據版本號的東西。

緣起：無線時代，流量敏感。APP在登陸後，每每要向服務器同步很是多的數據，很費流量，技術上有沒有節省流量的方法呢？這是本文要討論的問題。

問題一：APP登陸時須要拉取什麼數據？
答：APP登錄時，通常要拉取兩類數據，一類是「id列表型數據」，一類是「信息詳情型數據」，以微信爲例，須要拉取
（1）好友列表List<user-id>，即全部好友的id（id+name）
user_frined{uid, friend-uid, friend-name}
（2）羣組列表List<group-id>，即全部加入羣的id（id+name）
（3）羣友列表Map<group-id, List<group-user-id>>，全部羣友的id（id+name）
（4）好友詳情Map<user-id, User>，全部好友的詳情（暱稱，備註，標籤，地區，相冊等）
user{uid, nick-name, memo, locate, tag}
（5）羣組詳情Map<group-id, Group>，全部羣組的詳情（二維碼，公告，是否免打擾等）
（6）羣友詳情Map<group-id, Map<user-id, User>>，全部羣友的詳情（暱稱，備註，標籤，地區，相冊等）
（7）其餘，例如離線消息…

問題二：能不能在登陸的過程當中不拉取這些數據，而在登陸後拉取？
答：若是登陸時不拉取，登錄後刷好友列表，刷羣列表，羣成員會很慢。
若是登陸時拉取，登錄過程可能會很慢（微信的「大月亮背景」要等多長時間？QQ登陸要等30s？）。
爲了保證登陸後的體驗，通常是在登陸過程當中拉取。

問題三：能不能直接複用客戶端本地的數據？
答：不能直接複用客戶端本地的數據，由於不能確保本地的數據是最新的。

核心問題：每次登陸都須要拉取，太費流量了，有沒有優化方法？
答：經常使用優化方法有兩種
（1）延遲拉取，按需拉取
（2）時間戳

問題五：延遲拉取，按需拉取爲何有效？爲何可以減小拉取流量？
答：用戶在使用APP的過程當中，有些數據是必定會使用到的，有些數據是不必定會使用到的。對於必定會使用到的數據，登陸時拉取能夠提高後續用戶體驗。對於不必定會使用到的數據，登陸時拉取可能浪費流量，這些數據若是進行「延遲拉取」，能夠節省流量。

問題六：哪些數據不登陸後不必定會使用，能夠延遲拉取？
答：這個問題的答案和業務緊密相關，以微信爲例
必定會使用到的數據：好友列表（主頁面要展現user-name），羣組列表（主界面要展現group-name）
不必定會使用到的數據：好友詳情，羣組詳情，羣友列表，羣友詳情
故，對於微信，登陸時只須要拉取好友列表（id+name）與羣組列表（id+name）便可，而其餘數據，等用戶真正點擊和使用時再拉取便可，這樣就能夠大大減小拉取流量。

問題七：時間戳爲何有效？爲何可以減小拉取流量？
答：本地數據不能直接使用的緣由是，不肯定數據是否最新，拉取服務器時間戳與本地時間戳進行比對，若是本地是最新的數據，就能避免從新拉取。id列表數據的變化頻度是比較低的（增長id，減小id），時間戳機制很是的有效。

問題八：加入時間戳機制後，數據拉取流程有什麼變化？
答：假設有100個好友，以好友詳情數據的拉取爲例，沒有時間戳以前，直接向服務器拉取這100個好友的詳情數據。
在有了時間戳以後，數據拉取流程變爲：
（1）先拉取100個好友的時間戳
（2）客戶端將100個好友的時間戳與本地時間戳對比，找出差別，假設有10個好友的信息發生了變化，時間戳改變了
（3）拉取10個有變化的好友的信息
優勢是：大大減小了數據傳輸量（由拉取100個好友，下降到拉取10個好友）
缺點是：增長了一次網絡交互（原來直接拉取，如今須要分別拉取時間戳與差別數據）

問題九：使用時間戳的同時，可否下降網絡交互次數呢？
答：能夠！
客戶端對時間戳的使用，每每採起「客戶端拉取時間戳」+「客戶端比對時間戳」+「客戶端再次拉取差別數據」的方式進行，「時間戳比對」的的CPU計算髮生在客戶端，其實，這個計算能夠轉嫁到服務器，步驟爲：
（1）客戶端上傳100個好友的時間戳
（2）服務端收到客戶端上傳的時間戳，與最新時間戳對比，找出差別，假設有10個好友的信息發生了變化，服務端能夠直接將有差別的10個好友的數據返回
優勢是：客戶端減小了一次網絡請求
缺點是：比對時間戳差別的CPU計算由「端」轉嫁到了「雲」

問題十：你怎麼知道微信是這麼作的？
答：我不知道微信是怎麼作的，微信比較出名，因此標題黨了一把，抱歉。「客戶端上傳時間戳」的方法，58幫幫APP是這麼作的，但願對業界同仁有啓示做用。

 轉自：http://www.habadog.com/2015/10/23/wechat-use-less-data/