如何从资源和代码层面实现App全方位瘦身?

366次阅读  |  发布于3年以前

引言

其实关于此类的博客网上有很多,可能有很多是原创,可能有很多是转载,当然也有很多是抄袭,前些天看到头条也有一篇,写的很好,但是觉得对于初学者,实质性意义觉得不大【因为毕竟要代码保密,资源保密】。

本人写此篇博客是因为觉得App已经迭代了接近20个版本,包体积至今没有优化过,于是本人就想着去优化ipa大小【完全使用本人项目开刀】。如果也想跟着尝试,那就Follow,共同优化包体积大小,从下载那一刻优化吧!!!

经过实际验证,本人负责项目从开始89MB,到达优化之后的75MB【项目名称不说啦,但是目的达到了,嘿嘿】,还是提高了不少滴。

共同提高,共同进步永远是我写博客的目的~共勉,欢迎点赞,给个小红心❤️

背景与问题

App Store规定了安装包大小超过200MB的App不能使用OTA【over-the-air】环境下载,也就是只能在WiFi环境下下载。所以200MB就成了App的生死线,一旦超过这条线就很可能会失去大量用户。【如果你的App要兼容iOS7和iOS8的话,苹果官方主二进制text段的大小不能超过60MB。如果没有达到这个标准,你甚至都没法提交App Store】 另外,App包体积过大,对用户更新升级率也会有很大影响。

综上所述,App 包过大既损害用户体验,影响升级率,还会导致无法提交 App Store 的情况和非 WiFi 环境无法下载这样可能影响到 App 生死的问题。那么,怎样对包大小进行瘦身和控制包大小的不合理增长就成了重中之重。

分析与定位

对于一个App 从0-1 以及后续团队不断的迭代,研发人员的不断增多,伴随着也有能力的参差不齐,代码质量的高低不同。如果一味的增加需求,一味的写冗余重复的代码,势必很难维护以及打出的ipa包体积越来愈大。经历过一些版本的迭代,会发现ipa包体积变大了很多,想到了这些,我们应该可以做些什么,或者苹果官方为我们做些什么呢?

下面就按照上面一步一步跟着,给自己的App包瘦身。

官方App Thinning

App Thinning可以译成“应用瘦身”。指的是App store 和操作系统在安装iOS或者watchOS的 app 的时候通过一些列的优化,尽可能减少安装包的大小,使得 app 以最小的合适的大小被安装到你的设备上。

App Thinning 是由苹果公司推出的一项可以改善 App 下载进程的新技术,主要是为了解决用户下载 App 耗费过高流量的问题,同时还可以节省用户 iOS 设备的存储空间。现在的 iOS 设备屏幕尺寸、分辨率越来越多样化,这样也就需要更多资源来匹配不同的尺寸和分辨率。同时,App 也会有 32 位、64 位不同芯片架构的优化版本。如果这些都在一个包里,那么用户下载包的大小势必就会变大。

官方App Thinning包括了三个过程:slicing,bitcode,和 on-demand resources

3.1 Slicing

App Slicing在节省应用所需资源中发挥着最重要的作用。

App Thinning 会专门针对不同的设备来选择只适用于当前设备的内容以供下载。比如,iPhone 6 只会下载 2x 分辨率的图片资源,iPhone 6plus 则只会下载 3x 分辨率的图片资源。

Slicing 的主要的工作流程图和过程如下:

3.2 bitcode

Bitcode是一个编译好的程序的中间表示形式。上传到 iTunes Connect 中的包含Bitcode的app 将会在 App store 中进行链接和编译。苹果会对包含Bitcode的二进制app进行二次优化,而不需要提交一个新的app版本到app store中

3.3 On-Demand Resources

ODR(on-demand resources 随需应变资源)是iOS减少应用资源消耗的另外一种方法。比如多级游戏,用户需要的通常都是他们当前的级数以及下一级。ODR意味着用户可以下载他们需要的几级游戏。随着你的级数不断增加,应用再下载其他级数,并将用户成功过关的级数删掉。

当用户点击应用内容的时候,就会动态从App Store上进行下载,也就是说用户只会在需要的时候占用存储空间。这项功能有趣之处还在于当将这些内容在后台进行下载之后,当存储空间紧张的时候会自动进行删除。

如果要进一步减小 App 包体积的话,还需要在图片和代码上继续做优化。为了减小 App 安装包的体积,我们还能在图片上做些什么?

删除无用图片

删除无用图片应该是图片资源的优化空间最先想到的。那么,我们是如何找到并删除这些无用图片资源的呢?

对于删除图片,本人在项目中的实践采取的是下面的第二种第三种方法,大家跟着操作:

下面我们按照这个步骤开始着手去做~

4.1 方案思路

删除无用图片的过程可以分为总共6个步骤和图解【思路如下】

4.2 费时有效操作

可以找到Assets.xcassets,对照着里面的一张张图片,然后在工程目录搜索,如果工程没有使用到的话,那就删除吧,此方法很土但费时,有没有好的操作方法呢?

4.3 开源组件FengNiao

FengNiao–一个删除Xcode工程中无用图片资源的神器!FengNiao一个命令行工具,由iOS界的大神onevcat喵神使用swift开发并开源。

4.3.1 安装FengNiao

下载FengNiao

git clone https://github.com/onevcat/FengNiao.git

进入到FengNiao目录下

执行./install.sh

fengniao会自动编译安装到/usr/local/bin目录下,然后成功结果如下:

4.3.2 使用 FengNiao

cd到项目工程中,直接使用fengniao命令就可以【提供list(列表查看)、delete(直接删除)、ignore(忽略这些文件)三个命令】

通过输入l,就可以列举未使用的图片,大家对着看就好了,嘿嘿嘿,体验还不错!!!

4.4 LSUnusedResources

本人建议这个是最好用的。大家可以查看LSUnusedResources源码

如果你不想自己重新写一个工具的话,可以选择开源的工具直接使用。本人觉得目前最好用的是 LSUnusedResources【运行此代码,最好的是还有人在维护,给作者一个赞】特别是对于使用编号规则的图片来说,可以通过直接添加规则来处理。

使用方式也很简单,可以参看下面的动画演示:【运行代码之后的界面】

4.4.1 下载代码,并运行出来的结果如下

4.4.2 将根目录输入进去,选择匹配法则,就可以可视化无用的图片

经过上面的三个方法,可以将无用图片彻底删除了,嘿嘿,完成优化了3-5MB的大小。不错不错~

图片视频等压缩

无用图片资源处理完了,那么有用的图片还有瘦身的空间吗?答案是有的。

5.1 视频压缩方面

对于本人项目,安装App时,会有几个引导介绍视频,原本每一个视频大约都是2-3MB,但是对于包的减少,本人又让UI和视频组对4个引导视频压缩,最后大约每个引导都是1.3MB以内

此时引导视频优化了4-5MB优化空间,下面进行图片压缩方案探究。

5.2 图片资源压缩

对于 App 来说,图片资源总会在安装包里占个大头儿。对它们最好的处理,就是在不损失图片质量的前提下尽可能地做压缩。

5.2.1 WebP

目前比较好的压缩方案是,将图片转成 WebP。WebP 是 Google 公司的一个开源项目。

怎么把图片转成WebP?

Google 公司在开源 WebP 的同时,还提供了一个图片压缩工具 cwebp来将其他图片转成 WebP。cwebp 使用起来也很简单,只要根据图片情况设置好参数就行。

cwebp 语法如下:

cwebp [options] input_file -o output_file.webp

比如,你要选择无损压缩模式的话,可以使用如下所示的命令:

cwebp -lossless original.png -o new.webp

其中,-lossless 表示的是,要对输入的 png 图像进行无损编码,转成 WebP 图片。不使用 -lossless ,则表示有损压缩。

5.2.2 腾讯开发的iSpart

iSpart 是一个 GUI 工具,操作方便快捷,可以实现 PNG 格式转 WebP,同时提供批量处理和记录操作配置的功能。如果是其他格式的图片要转成 WebP 格式的话,需要先将其转成 PNG 格式,再转成 WebP 格式。它的GUI界面如下:

不过,WebP 在 CPU 消耗和解码时间上会比 PNG 高两倍。所以,我们有时候还需要在性能和体积上做取舍。

本人建议如果图片大小超过了 100KB,你可以考虑使用 WebP;而小于 100KB 时,你可以使用网页工具 TinyPng或者 GUI 工具ImageOptim进行图片压缩。这两个工具的压缩率没有 WebP 那么高,不会改变图片压缩方式,所以解析时对性能损耗也不会增加。

经过对部分图片的压缩,少了大约2-4MB的优化空间,到目前为止差不多有10-12MB的优化空间。嘿嘿~

代码瘦身

App 的安装包主要是由资源和可执行文件组成的,所以在掌握了对图片资源的处理方式后,需要再一起来看看对可执行文件的瘦身方法

6.1 通过Appcode找出无用代码

如果工程量不是很大的话,我还是建议你直接使用 AppCode 来做分析【本人项目就是使用它】当代码量过百万行时 AppCode 的静态分析会“歇菜”。毕竟代码量达到百万行的工程并不多。而,那些代码量达到百万行的团队,则会自己通过 Clang 静态分析来开发工具,去检查无用的方法和类。

用 AppCode 做分析的方法很简单,直接在 AppCode 里选择 Code->Inspect Code 就可以进行静态分析。

静态分析完以后,我们可以在 Unused code 里看到所有的无用代码,如下:【感觉棒棒哒】

接下来,说一下这些无用代码的主要类型。

看似 AppCode 已经把所有工作都完成了,其实不然。下面,列举下 AppCode 静态检查的问题:

基于以上种种原因,使用 AppCode 检查出来的无用代码,还需要人工二次确认才能够安全删除掉。

经过Appcode工具,大约找出优化了2-4MB的无用的类和代码。

除了这种方式,还有没有其他方法了呢?答案是有的,但是下面方法本人没有用到项目中尝试,但是还是要和大家说下,大家可以去尝试。

6.2 LinkMap结合Mach-O找出无用代码

可执行文件的瘦身方法。可执行文件就是 Mach-O 文件,其大小是由代码量决定的。通常情况下,对可执行文件进行瘦身,就是找到并删除无用代码的过程。

查找无用代码,按照找无用图片的思路,即:

接下来,我们就看看具体的代码瘦身方法吧。

6.2.1 Link Map File配置

点击工程,选择 Build Setting 选项,搜索 map ,可以看到如下界面。将 Write Link Map File 设置为 Yes 后,Build结束后,会在默认路径下生成一个 Link Map File 文件,该文件是 txt 格式的。点击 Path to Link Map File ,可以设置 Debug 或 Release 模式下的生成路径。设置选项如下图所示:

查到Path to Map File路径【本人采用的模拟器】

打开txt文件

6.2.2 Link Map讲解

LinkMap 文件分为三部分:Object File、Section 和 Symbols

其中:

得到了代码的全集信息以后,我们还需要找到已使用的方法和类,这样才能获取到差集,找出无用代码。所以接下来,说说怎么通过 Mach-O 取到使用过的方法和类。

objc_selrefs 里的方法一定是被调用了的。objc_classrefs 里是被调用过的类,__objc_superrefs 是调用过 super 的类。通过 __objc_classrefs 和 __objc_superrefs,我们就可以找出使用过的类和子类。

6.2.3 用 MachOView查看可执行文件验证上面

如图上所示,可以看到 __objc_selrefs__objc_classrefs和、__objc_superrefs 等这三个 section。

注意:

但是,这种查看方法并不是完美的,还会有些问题。原因在于, Objective-C 是门动态语言,方法调用可以写成在运行时动态调用,这样就无法收集全所有调用的方法和类。所以,通过这种方法找出的无用方法和类就只能作为参考,还需要二次确认。

其他瘦身

Clang/LLVM 编译器优化选项

都知道 Xcode 是使用 Clang 来编译 Objective-C 语言的,Clang 的优化选项在其文档 clang - Code Generation Options 中可以查阅得到。DE-Xcode 只提供给我们 6 个等级的编译选项,在 Xcode -> Build Setting -> Apple LLVM 9.0 - Code Generation -> Optimization Level 中进行设置

Fastest Smallest[-Os] 极小限度会影响到包大小,而且也保证了代码的执行效率,是最佳的发布选项,一般 Xcode 会在 Release 下默认选择 Fastest Smallest[-Os] 选项,较老的项目可能没有自动勾选。

Swift Complier/LLVM 编译优化选项

Swift 语言的编译器是 swiftlang,同时也是基于 LLVM 后端的。Xcode 9.3 版本之后 Swift 编译器会提供新的选项来帮助减少 Swift 可执行文件的大小:

部门协商与程序员编程素质【其他Tips】

当然还有一个终极大招砍需求,哈哈哈【此种方法可能不太容易实现】

总结

今天这篇文章,主要分享的是 App 安装包的一些瘦身方案。可以把包瘦身方案根据 App 的代码量等因素,划分为两种。

对于上线时间不长的新 App 和那些代码量不大的 App 来说,做些资源上的优化,再结合使用 AppCode 就能够有很好的收益。而且把这些流程加入工作流后,日常工作量也不会太大。【本人目前项目就是这种】

但是,对于代码量大,而且业务需求迭代时间很长的 App 来说,包大小的瘦身之路依然任道重远,这个领域的研究还有待继续完善。LinkMap 加 Mach-O 取差集的结果也只能作为参考,每次人工确认的成本是非常大的,只适合突击和应急清理时使用。最后日常采用的方案,可能还是用运行时检查类的方式,这种大粒度检查的方式精度虽然不高,但是人工工作量会小很多。

Copyright© 2013-2020

All Rights Reserved 京ICP备2023019179号-8