【公开课分享】让表格数据处理性能瞬间飙升的几点优化
讲师简介
王鸿，2020 中国 .NET 开发者峰会主论坛讲师，葡萄城表格技术负责人，GcExcel项目组资深架构师。
自 2014年起，王鸿老师便一直聚焦于企业高性能表格技术领域的研究，为葡萄城设计了全新的表格组件架构，并带领研发团队推出了一款性能在业界领先的电子表格组件GcExcel, 积累了大量高并发、高可用性表格组件的架构设计经验。
分享内容
12月19日，王鸿老师受邀参加 2020中国 .NET开发者大会，与微软、龙芯等知名企业的技术大咖一起，为50 余万名开发者带来了一场关于《高性能表格技术优化实践》的技术讲座。
在大会上，王鸿老师从葡萄城研发电子表格组件的背景与初衷出发，详细对比了 Excel 与原生 C# 代码的读取性能差异，并总结了若干针对prototype 原型进行性能调优的手段，如减少垃圾回收的影响、共享对象提升性能、压缩数据降低内存、充分利用高速缓存等方式。
本期，葡萄城公开课将继续邀请王鸿老师担任演讲嘉宾，为错过大会的同学深入讲解葡萄城表格组件的性能调优实践，以及葡萄城表格技术的落地产物 SpreadJS 和 GcExcel，已经收听过的同学仍可以报名参加，获取与王鸿老师在线交流的机会。
扫码上图二维码，免费报名参加
Excel读取1亿个单元格的极限性能是34秒
为了测试Excel 文件的读取性能极限，王鸿老师使用了 StopWatch 函数来监听 Excel 的打开时间，测试对象为一个包含30列、1,000,000行、30,000,000 个单元格数据的电子表格文件。
经过测试， Excel打开这个文件需要等待 34 秒。
葡萄城 GcExcel 读取这份文件的极限性能是12秒
GrapeCity Documents for Excel （简称：GcExcel）是一款由王鸿老师参与设计，由西安葡萄城自主研发的基于 Java 和 .NET 平台的服务端高性能表格组件。
使用该组件，系统无需依赖 Office、POI 或第三方应用软件，即可在服务端批量创建、加载、编辑、打印、导入/导出 Excel 文档，满足在线文档的前后端数据同步、服务端批量导出与打印，以及类 Excel 报表模板设计和服务端高性能数据处理的业务需求，提供一套完善的类 Excel 全栈解决方案。
经过测试，用葡萄城的表格组件 GcExcel 打开这样一份文件，仅需 12 秒。
为了实现与 Excel 近22秒的性能差距，葡萄城 GcExcel 都做了哪些性能优化呢？实际上，在推出自主研发的表格组件之前，葡萄城便已经对 Excel 文档的格式、样式和存储结构进行了深入的研究。
从Office 2007 开始，Excel 文件就是一个标准的 Zip 文件，对其解压后，找到一个名为“Worksheets”的文件夹，在其中的“sheet1.xml”文件中，存放了每个 Excel 文件单元格对应的位置和值。
因此，如何通过更高效的算法取出这些位置和值，便是葡萄城的重点优化方向。
对于一段未经优化的 C# 代码而言，把每个单元格的值读出来，存放在一个List中，需要27秒。在这里，仅仅将代码中的 object 改为 double，就可以让其在20秒完成。
葡萄城表格组件的性能优化实践
一、减少垃圾回收
由27秒变为20秒的差距，便是垃圾回收带来的影响。
在 List中有太多的object对象，这耗费了大量的垃圾回收时间，尽管它没有被回收掉，但因为它们是object，所以在垃圾回收的过程中，需要不断的检测它们是否可以回收，将 object 改为 double，垃圾回收的时间便可以忽略不计。
GcExcel 如何克服垃圾回收的影响？
-
消除单元格概念，用double 存储数字、文本、布尔和错误类型。
-
行存储改成列存储。利用C# 的泛型，让字典中存储值类型数据。
二、共享存储及样式压缩
所谓共享存储，就是把整个软件中共同的对象只生成一份，放在一个全局的地方，每个对象用一个数字做ID，其它地方只存这个ID。
以下面的文本为例，所有的文本集中存储在一个表中，每个文本有一个唯一的ID，单元格中只存储这个ID。
共享存储对降低内存和提升性能有非常明显的作用：
-
降低内存消耗。对一个数据量很大的软件，会有很多数据都是重复的，比如电子表格中，如果文本的数量很大，那么重复率就非常高，把这些文本集中存储，相同的只存一份，你会发现，不同的文本数量其实很少，这会极大降低内存消耗。
-
提升性能。以对字符串做查找、替换为例，如果没有共享集中存储，必须要扫描所有的单元，对每一个单元格文本都做一次比较操作。但有了共享存储，就只需要查找“字典”就可以了；在字符串比较时，只需要比较数字是否相等就可以了；在排序等操作中，只需先把表中的字符串建立一个索引，排好序，后面需要时利用这个索引就可以了。
通过共享存储，GcExcel已经把内存的消耗降低了很多，但仍可以进一步优化，便是利用样式压缩。
如上图所示，保存这张样式表不需要在每个单元格中存储一个数字，而是通过建立一个索引表，表的一栏记录一个区域（一个矩形），另一栏记录这个区域对应的样式的ID。
通过这样的方式，便可以把样式的存储空间再度降低。极端一点讲，如果整个工作表都是同一种样式，那么这里只需要存储一个矩形和一个数字。
三、充分利用高速缓存
现在的CPU都有高速缓存，它能提升CPU处理数据的性能。这个图展示了不同存储介质和CPU的关系：越高速的存储介质离CPU更近，速度越快、空间更小、价格越贵。
CPU在读取数据的时候，先从最近的缓存中读，只有没命中，才从下一级缓存中读。因此，提升缓存命中率对改善性能意义重大。
同时，当数据从较慢的存储介质往较快的存储介质复制时，不是依次进行，而是一块一块的复制，也就是说，当访问内存中某一个数据时，它周围相邻的数据也一起读入了离CPU最近的高速缓存。因此，如果下一个时刻就读相邻的数据，便可以直接在缓存中找到，读取速度就会非常快。
知道了高速缓存的原理，如何编写缓存友好的代码？
· 在组件设计的时候，选择什么样的数据结构得注意，比如数组和字典，受缓存的影响可能不一样。
· 在访问数据的时候，要注意数据的存储方式。
当然，除了上述三个优化方法，葡萄城还有更多优化实践。如创建Cache、使用基于集合的操作运算、利用SIMD计算大量数据等。
以上就是王鸿老师即将分享的部分内容，目前，这些高性能的表格技术均已经实现落地。
表格技术落地：SpreadJS 和 GcExcel
在前端，纯前端表格控件 SpreadJS可针对Excel、Grid数据进行在线编辑、在线填报、公式计算，以及各类 Excel 的模板设计；在后端，服务端表格组件 GcExcel可快速批量处理 Excel 文档，提供高度基于 Excel 的文档对象模型，并执行更高效的导出与打印。
最后，欢迎大家预约本期葡萄城公开课《葡萄城高性能表格技术优化实践》，与王鸿老师在线探讨，并针对具体业务场景选择更加合适的优化实践思路。
