Android内存优化的常用工具与手段

内存问题相对比较隐蔽，表现并不明显。

内存问题难以定位，出现问题的地方往往只是表现的地方，真正的原因难以收集。

内存优化的内容其实非常多而复杂，我们可以尝试从以下思路去了解：

要了解内存问题，我们首先要了解为什么要做内存优化？

同时需要了解一些内存优化的背景知识，如垃圾回收机制。

我们需要了解一些内存优化的常用工具与手段。

图片是内存优化的重点，我们需要重点了解下图片优化的知识点。

内存问题的一个直接体现是OOM，我们还需要了解下OOM治理的一些手段。

所以我们可以轻松得出本文的主要内容：

为什么要做内存优化？

android内存优化的一些背景知识。

android内存优化的常用工具与手段。

怎么做图片内存优化？

怎么做OOM线上监控？

本文主要内容思维导图如下：

1、为什么要做内存优化？

要回答这个问题，我们首先应该明确需求，当我们去做内存优化时是为了什么。

1.1降低OOM率

做内存优化的一个常见原因是为了降低OOM率。

申请内存过多而没有及时释放，常常就会导致OOM。

引起OOM的原因有多种，在后面我们再细谈。

1.2减少卡顿

Android中造成界面卡顿的原因有很多种，其中一种就是由内存问题引起的。

内存问题之所以会影响到界面流畅度，是因为垃圾回收。

在GC时，所有线程都要停止，包括主线程。当GC和绘制界面的操作同时触发时，绘制的执行就会被搁置，导致掉帧，也就是界面卡顿。

Android会按照特定的机制清理进程，清理进程时优先会考虑清理后台进程，如果某个应用在后台运行并且占用的内存更多，就会被优先清理掉。

我们通常希望App能尽量存活的久一点，所以内存不再使用时应该尽快释放。

2、android内存优化的一些背景知识

Java内存回收主要包括以下内容：

强软弱虚4种引用类型。

用于GC回收的垃圾回收算法。

这些都是很常见的知识点了，这里也就不缀述了，如果想要了解更多细节的同学可参考：Java垃圾回收机制。

2.2什么是内存泄漏？

内存泄漏的表现就是可用内存逐渐减少，无法被回收的内存逐渐累积，直到应用无更多可用内存可申请时，就会导致内存溢出。

内存泄漏的直接原因是长生命周期的对象引用了短生命周期的对象，导致短生命周期对象无法回收。

常见的引起内存泄漏的原因有：

非静态内部类持有了外部引用。

资源没有及时释放。

2.3什么是内存抖动？

内存抖动意味着频繁的创建对象与回收，容易触发GC，而当GC时所有线程都会停止，因此可能导致卡顿。

为了避免内存抖动，我们应该避免以下操作：

尽量避免在循环体中创建对象。

尽量不要在自定义View的onDraw（）方法中创建对象，因为这个方法会被频繁调用。

对于能够复用的对象，可以考虑使用对象池把它们缓存起来。

2.4什么是内存溢出？

引起OOM的原因可能有多种，主要可以分为以下几类：

关于OOM治理及线上监控等，后面会详细介绍。

3、android内存优化的常用工具与手段

3.1MemoryProfiler

使用Memory可以检测以下功能：

查看内存曲线及内存占用情况。

可以定位是否存在内存抖动问题。

堆转储（DumpJavaHeap）可检测出内存泄漏的对象。

关于MemoryProfiler的具体使用就不在此缀述了，想要了解的可参考：什么是MemoryProfiler？

3.2MemoryAnalyzerTool

比起MemoryProfiler，MAT使用起来更加麻烦，同时现在MemoryProfiler功能也越来越强大了，所以我现在已经很少使用MAT了。

如果想要更多地了解MAT，也可以参考：什么是MemoryAnalyzerTool。

3.3LeakCanary检测内存泄漏

相比MemoryProfiler与MAT，LeakCanary在使用上更加简便。

只需要在项目中添加依赖，即可自动地检测内存泄漏并报警，使用起来非常方便。

LeakCanary有以下几个特点：

不需要手动初始化。

可自动检测内存泄漏并通过通知报警。

不能用于线上。

LeakCanary检测流程如下

3.4内存优化的一些常规手段

内存优化的一些细节问题可以在开发时避免，下面介绍一些常规的内存优化手段。

1）、使用LargeHeap属性增加最大可用内存。

2）、在系统触发资源紧张回调时，主动删除缓存。

3）、使用优化过后的集合：如SparseArray类等。

4）、谨慎使用SharedPreference，SP会在应用初始化时将所有内容加载到内存中，所以不应该存放比较大的内容。

5）、谨慎使用外部库，引入时需要明确不会对应用性能造成大的影响。

6）、业务架构设计要合理，抽象可以优化代码的灵活性和可维护性，但是抽象也会带来其他成本，应权衡使用。

这些细节问题其实都很普通，如果平时注意到了，相信对应用的内存一定有所帮助。

4、怎么做图片内存优化？

内存优化应该优先去做见效快的地方，图片内存优化是内存优化的重点，可能一张图片没有回收就会造成几M内存的浪费。

4.1常规的图片内存优化方法

我们都知道，图片所占内存=宽高一像素占用内存。

所以优化图片内存主要有以下几个思路：

缩放减小宽高。

减少每个像素所占用的内存。

内存复用，避免重复分配内存。

对于大图，可以采取局部加载的策略。

4.1.1减少图片宽高

有时图片宽高为200*200，而View宽高为100*100，这种时候如果展示200*200的图片没有意义，应该对图片进行缩放。

这种情况一般通过inSampleSize实现。

BitampFactory.Optionsoptions=newBitmapFactory.Options（）;

//设置为4就是宽和高都变为原来1/4大小的图片

options.inSampleSize=4;

BitmapFactory.decodeSream（is，null，options）;

4.1.2减少每个像素所占用的内存

RGB_565：仅存储RGB通道，每个像素占2个字节，对Bitmap色彩没有高要求，可以使用该模式；

ARGB_4444：已弃用，用ARGB_8888代替；

ARGB_8888：每个像素占用4个字节，保持高质量的色彩保真度，默认使用该模式；

RGBA_F16：每个像素占用8个字节，适合宽色域和HDR；

HARDWARE：一种特殊的配置，减少了内存占用同时也加快了Bitmap的绘制。

每个等级每个像素所占用的字节也都不一样，所存储的色彩信息也不同。同一张100像素的图片，ARGB_8888就占了400字节，RGB_565才占200字节。

所以在某些场景中，修改图片格式可以达到减少一半内存的效果。

4.1.3内存复用，避免重复分配内存

Bitmap所占内存比较大，如果我们频繁创建与回收Bitmap，那么很容易造成内存抖动，所以我们应该尽量复用Bitmap内存。

在Android3.0（API级别11）开始，系统引入了BitmapFactory.Options.inBitmap字段。如果设置了此选项，那么采用Options对象的解码方法会在生成目标Bitmap时尝试复用inBitmap，这意味着inBitmap的内存得到了重复使用，从而提高了性能，同时移除了内存分配和取消分配。

不过inBitmap的使用方式存在某些限制，在Android4.4（API级别19）之前系统仅支持复用大小相同的位图，4.4之后只要inBitmap的大小比目标Bitmap大即可。

4.1.4大图局部加载策略

对于图片加载还有种情况，就是单个图片非常巨大，并且还不允许压缩。比如显示：世界地图、清明上河图、微博长图等。

首先不压缩，按照原图尺寸加载，那么屏幕肯定是不够大的，并且考虑到内存的情况，不可能一次性整图加载到内存中。

所以这种情况的优化思路一般是局部加载，通过BitmapRegionDecoder来实现。

BitmapRegionDecoderbitmapRegionDecoder=BitmapRegionDecoder.newInstance（inputStream，false）;

BitmapFactory.Optionsoptions=newBitmapFactory.Options（）;

Bitmapbitmap=bitmapRegionDecoder.decodeRegion（newRect（width/2-100，height/2-100，width/2+100，height/2+100），options）;

mImageView.setImageBitmap（bitmap）;

4.1.5小结

上面所说的这些关于Bitmap的内存优化策略其实都比较简单，而且我们在开发中可能很少用到

因为我们常用的图片框架比如Glide已经将这些都封装在里面了，所以一般情况下我们加载图片时不需要做这些特殊操作。

关于Glide对于加载图片都做了哪些优化，有兴趣的同学可以参考：【带着问题学】Glide做了哪些优化？

4.2图片兜底策略

通过这种方式可以方便地解决因Activity导致的图片泄漏问题。

4.3线上大图监控方案

当运营在线上配置了不合理大小的图片时，如果我们及时发现，也会带来内存问题。

如果图片本身大小就不合理，我们在这个基础上谈图片优化也没有什么意义，因此大图监控这也是个比较常见的需求。

下面介绍几种大图监控的方案：

4.3.1ArtHook方案

这种方案的优点在于：

侵入性极低，一次初始化配置即可hook全局的目标View控件。

可以获取代码调用堆栈，方便开发者快速定位。

而缺点则在于：

兼容性存在问题，使用了hook系统API，不能用于线上。

4.3.2BaseActivity方案

大部分应用工程在业务发展的过程中都会沉淀封装自己的BaseActivity，通过在BaseActivityonDestroy中动态地检测各个View控件，从而获知图片加载情况。

classBaseActivity：Activity（）{

funonDestory（）{

if（isOpenCheckBitmap）{

checkBitmapFromView（）

}

funcheckBitmapFromView（）{

//1、遍历activity中的各个View控件

//2、获取View控件加载的Bitmap

//3、对比Bitmap宽高与View宽高

兼容性强，无任何反射。

加入简单，没有什么复杂逻辑。

缺点在于：

侵入性太强，需要修改BaseActivity。

BaseActivity.onDestory本身可能被重写，并不安全。

4.3.3ASM方案

该方案在编译流程进行插桩，通过匹配setImageBitmap、setBackground等关键方法，插入Bitmap大小检测逻辑。

这种方案优点在于：

编译时期插桩，对开发过程无侵入性。

通过插桩的方式打点，可能会增加编译期耗时。

ASM代码维护成本较高，使用起来不是那么方便。

4.3.4registerActivityLifecycleCallback方案

通过registerActivityLifecycleCallback监听Activity生命周期，在onStop时进行Bitmap大小检测的逻辑。

privatefunregisterActivityLifecycleCallback（application：Application）{

application.registerActivityLifecycleCallbacks（object：

Application.ActivityLifecycleCallbacks{

overridefunonActivityStopped（activity：Activity）{

checkBitmapIsTooBig（childViews）

}）

这种方案对原始代码无侵入性，同时使用起来比较简单，也没有兼容性问题，应该属于比较良好的方案。

详细实现可见：BitmapCanary诞生。

5、怎么做OOM线上监控？

上文我们介绍了，可以使用LeakCanary在线下监测内存泄漏，但是LeakCanary只能在线下使用，有以下问题：

线下场景能跑到的场景有限，很难把所有用户场景穷尽。碰到线上问题难以定位。

检测过程需要主动触发GC，Dump内存镜像造成app冻结，造成测试过程中体验不好。

适用范围有限，只能定位Activity&Fragment泄漏，无法定位大对象、频繁分配等问题。

hprof文件过大，如果整体上传的话需要耗费很多资源。

下面我们就介绍一下快手开源的线上OOM监控框架KOOM。

5.1线上OOM监控框架KOOM介绍

上面我们介绍了LeakCanary不能用于线上监控的原因，所以要实现线上监控功能，就需要解决以下问题：

1、监控

主动触发GC，会造成卡顿

2、采集

Dumphprof，会造成app冻结

Hprof文件过大

3、解析

解析耗时过长

解析本身有OOM风险

其核心流程为三部分：

监控OOM，发生问题时触发内存镜像的采集，以便进一步分析问题。

采集内存镜像，学名堆转储，将内存数据拷贝到文件中，以下简称dumphprof。

5.2KOOM解决GC卡顿

LeakCanary通过多次GC的方式来判断对象是否被回收，所以会造成性能损耗。

koom通过无性能损耗的内存阈值监控来触发镜像采集，具体策略如下：

1、Java堆内存/线程数/文件描述符数突破阈值触发采集。

2、Java堆上涨速度突破阈值触发采集。

3、发生OOM时如果策略1、2未命中触发采集。

4、泄漏判定延迟至解析时。

我们并不需要在运行时判定对象是否泄漏，以Activity为例，我们并不需要在运行时判定其是否泄漏，Activity有一个成员变量mDestroyed，在onDestory时会被置为true，只要解析时发现有可达且mDestroyed为true的Activity，即可判定为泄漏。

通过将泄漏判断延迟至解析时，即可解决GC卡顿的问题。

5.3KOOM解决Dumphprof冻结app

利用Copy-on-write机制，fork子进程dump内存镜像，可以完美解决这一问题，fork成功以后，父进程立刻恢复虚拟机运行，子进程dump内存镜像期间不会受到父进程数据变动的影响。

流程如下图所示：

KOOM随机采集线上真实用户的内存镜像，普通dump和fork子进程dump阻塞用户使用的耗时如下：

可以看出，基本可以做到无感知的采集内存镜像。

5.4KOOM解决hprof文件过大

因此需要对hprof进行裁剪，只保留分析OOM必须的数据，另外，裁剪还有数据脱敏的好处，只上传内存中类与对象的组织结构，并不上传真实的业务数据（诸如字符串、byte数组等含有具体数据的内容），保护用户隐私。

裁剪hprof文件涉及到对hprof文件格式的了解，这里就不缀述了。

5.5KOOM解决hprof解析的耗时与OOM

解析hprof文件，对关键对象进行可达性分析，得到引用链，是解决OOM最核心的一步，之前的监控和dump都是为解析做铺垫。

解析分两种，一种是上传hprof文件由server解析，另一种是在客户端解析后上传报告（通常只有几KB）。

KOOM选择了端上解析，这样做有两个好处：

节省用户流量。

利用用户闲时算力，降低server压力，这样也符合分布式计算理念。

1、哪些对象需要分析，全部分析性能开销太大，很难在端上完成，并且问题没有重点也不利于解决。

2、性能优化，作为一个debug组件，要在不影响用户体验的情况下完成解析，对性能有非常高的要求。

5.5.1关键对象判定

Activity/fragment泄露判定即为第一种：

对于强可达的activity对象，其mDestroyed值为true时（onDestroy时赋值），判定已经泄露。

类似的，对于fragment，当mCalled值为true且mFragmentManager为null时，判定已经泄露。

Bitmap/window/array/sufacetexture判定为第二种。

5.5.2性能优化

详细流程就不在这里缀述了，详情可见：KOOM解析性能优化。

5.6KOOM使用

KOOM目前已经开源，开源地址：

直接参照接入指南接入即可，当发现内存超过阈值或者发生OOM时，就会触发采集内存快照，对hprof文件进行裁剪并分析后得到报告。

KOOM的报告是json格式，并且大小在KB级别，样式如下所示：

大概包括以下信息：

一些可能泄漏的类信息。

泄漏原因，gcRoot，泄漏实例数量等。

泄漏对象的引用链，方便定位问题。

可见KOOM上传的数据量并不太大，但相对准确，非常便于我们分析线上数据。

5.7小结

本章主要介绍了线上监控OOM的开源框架KOOM。

其实线上监控OOM的框架各大厂都有开发，比如美团的Probe，字节的Liko。

总结

对于优化的大方向，我们应该优先去做见效快的地方，主要有以下几个部分：

内存泄漏。

内存抖动。

Bitmap大图监控。

OOM线上监控。

我们还介绍了内存优化的多种实用工具：

可以使用Profile，MAT在开发时定位内存抖动内存泄漏问题。

线下开发、回归、Monkey、压测等环节可以自动集成LeakCanary检测内存泄漏；

图片加载是内存优化的重点，我们可以结合图片兜底策略与线上大图监控，优化图片内存问题。

线上OOM时通过KOOM监测，内存超出阈值时主动dump内存快照，通过上传分析结果精准。分析OOM问题。

内存优化是个复杂的过程，我们在做内存优化的过程中，需要结合多种工具，线上线下结合，系统化地配合来定位与解决问题。

作者：RicardoMJiang

责任编辑：haq

浏览量

原文标题：吹爆系列：Android内存还可以这样优化！

下载发烧友APP

电子发烧友观察

长沙市望城经济技术开发区航空路6号手机智能终端产业园2号厂房3层（0731-88081133）