原生移动开发 / 系统课时
排查 Bitmap 内存峰值
排查 Bitmap 内存峰值
图片显示正常但应用瞬间吃满内存时,先不要急着调小缓存。真正需要确认的是单张 Bitmap 解码后有多大、同时有多少张驻留,以及缓存是否让它们长期保持可达。本篇用可量化的方式定位峰值来源,再决定降采样、限制并发还是调整缓存策略。
学习目标
- 能根据 Bitmap 的实际分配大小判断大图是否成为峰值来源
- 能区分解码尺寸、同时驻留数量和缓存策略三个因素
- 能用日志与运行时数据验证优化是否真正降低峰值
先把峰值拆成三个问题
Bitmap 峰值通常不是“某一张图太大”这么简单。可以先用一个近似模型理解:峰值同时受单张 Bitmap 大小、同时驻留数量和其他内存开销影响。即使单张图不算夸张,只要列表快速滑动时同时保留很多张,也可能形成明显尖峰。
常见线索可以这样对应:
| 现象 | 优先检查 | 常见原因 |
|---|---|---|
| 打开大图瞬间上涨 | 单张解码尺寸 | 原图直接解码、没有按显示尺寸采样 |
| 快速滚动时周期性上涨 | 同时驻留数量 | 图片请求重叠、旧引用释放不及时 |
| 页面退出后仍不下降 | 缓存策略或引用链 | 无上限集合、全局缓存长期持有 Bitmap |
因此排查顺序应是先确认“单张有多大”,再确认“同时有多少张”,最后确认“为什么还留着”。
先测实际 Bitmap 分配大小
对于需要重点怀疑的图片,可以在解码完成后记录宽高、字节数和对象标识。下面是 Android Kotlin 中的片段示例,假设 bitmap 已经由当前业务完成解码;它不负责加载图片,只用于观测。
import android.graphics.Bitmap
import android.util.Log
fun logBitmapMemory(tag: String, bitmap: Bitmap) {
val bytes = bitmap.allocationByteCount
Log.d(
tag,
"bitmap width=${bitmap.width}, height=${bitmap.height}, bytes=$bytes, config=${bitmap.config}"
)
}预期输出
D/ImageMemory: bitmap width=4000, height=3000, bytes=48000000, config=ARGB_8888这里的 bytes=48000000 约等于 45.8 MiB,已经足以让一张图片成为明显的瞬时内存来源。实际值取决于位图配置与运行环境,因此不要只用宽高推断内存,优先观察实际分配结果。
看解码尺寸而不是原图尺寸
一个常见错误是把 4000×3000 的原图直接解码后,再通过 ImageView 缩小显示。显示尺寸只有 400×300,并不意味着解码阶段只占 400×300 的内存。排查时应该同时记录“源图片尺寸”和“最终 Bitmap 尺寸”。
当最终显示区域远小于源图时,应检查图片加载库或底层解码代码是否进行了合适的采样。优化的目标不是让图片看起来更小,而是在满足显示质量的前提下减少解码后的像素数量。
判断是不是“同时驻留过多”
第二步是在图片请求密集的位置记录当前仍在使用的 Bitmap 数量。对于列表、瀑布流或图片预览器,重点观察快速滚动和页面切换期间数量是否持续抬高。
可以把观测信息写成“当前数量 + 当前总字节数”,这样比单看 GC 次数更容易判断峰值是否来自图片集合。
private fun logBitmapPool(tag: String, bitmaps: Collection<Bitmap>) {
val count = bitmaps.size
val bytes = bitmaps.sumOf { it.allocationByteCount.toLong() }
Log.d(tag, "residentBitmaps=$count, residentBytes=$bytes")
}预期输出
D/ImageMemory: residentBitmaps=12, residentBytes=96583744这个结果表示当前集合里仍有 12 张 Bitmap,总分配量约 92.1 MiB。即使单张 Bitmap 都不算异常,只要同时驻留数量随着滚动不断增加,就应继续追踪集合或缓存的所有权,而不是继续修改单张图片尺寸。
什么时候该怀疑缓存
若页面退出后图片内存明显下降,说明对象生命周期大致跟随页面;若页面退出后仍长期保持高位,则需要继续检查缓存、单例、静态字段以及其他长期存活对象是否持有 Bitmap。
尤其要警惕没有容量上限的 MutableMap、全局 List 或自定义单例。它们可能看起来像“缓存”,实际却没有淘汰条件。对于可复用的图片缓存,应明确容量、淘汰策略和生命周期,让缓存增长是可预测的。
优化后再次执行同样的操作路径,例如打开页面、快速滚动、返回再进入,并比较峰值与页面退出后的回落情况。只有在相同工作负载下峰值下降、退出后内存也能回落,才能确认调整确实改善了问题,而不是只改变了日志时机。