konvajs-性能优化-使用缓存

方方|灿歌

2053人浏览 · 2021-09-28 20:57:58

方方|灿歌 · 2021-09-28 20:57:58 发布

大幅提高复杂Konva图形绘制性能的一种方法是将它们缓存为图像。

这可以通过使用cache()方法将节点转换为图像对象来实现。

本教程将绘制10个缓存的星星，而不是单独绘制10个

Stars的绘图性能提升了4倍。缓存可以应用于任何节点，

包括舞台、层、组和形状。

注意:cache()方法要求图像托管在与执行它的代码具有相同域的web服务器上。

在同样的情况下，cache()函数不能自动检测节点的大小。

所以你应该小心阴影和笔画的组和形状。

如果你看到意外的结果，将带有x, y，宽度和高度属性的绑定属性传递给cache()函数。


<!DOCTYPE html>
<html>
  <head>
    <script src="https://unpkg.com/konva@4.0.18/konva.min.js"></script>
    <meta charset="utf-8" />
    <title>Konva Shape Caching Demo</title>
    <style>
      body {
        margin: 0;
        padding: 0;
        overflow: hidden;
        background-color: #f0f0f0;
      }
    </style>
  </head>
  <body>
    <div id="container"></div>
    <script>
      var width = window.innerWidth;
      var height = window.innerHeight;

      var stage = new Konva.Stage({
        container: 'container',
        width: width,
        height: height
      });

      var layer = new Konva.Layer();

      var star = new Konva.Star({
        innerRadius: 20,
        outerRadius: 50,
        fill: 'red',
        stroke: 'black',
        strokeWidth: 5,
        numPoints: 5,
        x: 60,
        y: 60,
        draggable: true,
        shadowOffset: { x: 5, y: 5 },
        shadowColor: 'black',
        shadowBlur: 5,
        shadowOpacity: 0.5
      });

      layer.add(star);
      stage.add(layer);
      star.cache();

      var clone;
      for (var n = 0; n < 10; n++) {
        clone = star.clone({
          x: Math.random() * stage.width(),
          y: Math.random() * stage.height()
        });
        clone.cache();
        layer.add(clone);
      }

      layer.draw();
    </script>
  </body>
</html>

链接: 在线预览.

魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

小参数・大码力・易部署 | Qwen3.6-27B上线魔乐社区，基于昇腾的部署教程来了

继一周前模型开源发布后，千问再度开源Qwen3.6-27B —— 一个拥有270亿参数的稠密多模态模型，也是社区呼声最高的模型规格。Qwen3.6-27B 依然支持多模态思考与非思考模式，在智能体编程方面达到了旗舰级表现，全面超越前代开源旗舰 Qwen3.5-397B-A17B（总参数397B / 激活参数17B的MoE模型）。作为稠密架构，它无需MoE路由即可部署，是开发者在实用、可广泛部署规模