新闻详情

新闻详情

首页 / 资讯中心 / 详情

Fabric渲染流程

发布时间:2026/11/13 23:05:09来源:尧图网络
Fabric渲染流程
如果你说的是React Native 新架构里的 Fabric Renderer它的核心渲染链路可以概括成React Component ↓ React Reconciler ↓ Shadow Tree ↓ Commit ↓ Mount ↓ Fabric Renderer ↓ Native View / UIKit / Android View ↓ 屏幕显示更完整一点JS Thread ┌─────────────────────────────────────┐ │ React Component │ │ ↓ │ │ React Reconciler │ │ ↓ │ │ C Shadow Tree │ └──────────────┬──────────────────────┘ │ Commit ↓ ┌─────────────────────────────────────┐ │ Fabric C │ │ │ │ Shadow Tree │ │ ↓ │ │ Tree Diff │ │ ↓ │ │ Mutation Instruction │ │ ↓ │ │ Mounting Layer │ └──────────────┬──────────────────────┘ │ create / update / delete ↓ ┌─────────────────────────────────────┐ │ Native Platform │ │ │ │ iOS: UIView / CALayer │ │ Android: View / ViewGroup │ └─────────────────────────────────────┘1. React 层例如View style{{ width: 100, height: 100 }} TextHello/Text /ViewReact 首先进行 reconciliationReact Element ↓ Fiber Tree ↓ Reconciliation这里主要回答React 状态变化以后哪些组件发生了变化2. Shadow TreeFabric 的核心之一是Shadow Tree。可以理解成 JS/React 世界和真正 Native View 之间的一层React │ ▼ Shadow Tree │ ▼ Native View例如ShadowTree └── View ├── Text └── ImageShadow Node 会保存props state layout event handlers children component type注意Shadow Node ≠ 真正的 UIView / Android View。它更像是 Native UI 的“声明式描述”。3. LayoutFabric 使用 Yoga 计算布局Shadow Tree ↓ Yoga ↓ x y width height例如View width: 100 height: 100 margin: 10最终得到LayoutMetrics x 10 y 20 width 100 height 100所以可以简单理解Props ↓ Shadow Node ↓ Yoga Layout ↓ LayoutMetrics4. Commit这是 Fabric 很重要的一步。React 产生新的 Shadow Tree 后并不是马上修改 Native View。而是Old Shadow Tree New Shadow Tree ↓ Diff ↓ Mutations例如旧View ├── Text(Hello) └── Image新View ├── Text(World) └── ImageFabric 可以发现Text props/text changed然后生成类似Update Text这样的 mutation。5. MountCommit 得到 mutations 后进入 Mount 阶段。例如Create Insert Update Delete可以理解成Shadow Tree Diff ↓ Mutation List ↓ Mounting ↓ Native View比如Create View Create Text Insert Text into View Update Text最终才真正操作UIView Android View一张图理解 FabricReact │ ▼ React Fiber │ ▼ ┌─────────────────┐ │ Shadow Tree │ │ │ │ ShadowNode │ │ ShadowNode │ │ ShadowNode │ └────────┬────────┘ │ ▼ Yoga │ ▼ Layout Metrics │ ▼ Commit │ ▼ Tree Diff │ ▼ Mutations / | \ Create Update Delete \ | / ▼ Mount │ ┌────────┴────────┐ ▼ ▼ iOS Android UIView View │ │ └────────┬────────┘ ▼ GPU │ ▼ ScreenFabric 最关键的三个概念如果你是在准备React Native 源码/面试建议重点理解这三个概念解决什么问题Shadow Tree描述 UICommit计算 UI 应该怎么变化Mount把变化真正应用到 Native View一句话Fabric 不是“React 直接操作 Native View”而是 React 产生新的 Shadow Tree → Commit 做 Tree Diff → 生成 Mutations → Mount 阶段把 Mutations 应用到 Native View。另外Fabric 和旧架构最大的区别之一就是它把UI 描述、计算和 Native View 操作更明确地拆开并且核心渲染管线大量下沉到 C。如果你是在看React Native Fabric 源码下一步最值得顺着这条链看ReactFiber ↓ ShadowNode ↓ ShadowTree::commit() ↓ calculateMutationInstructions() ↓ MountingCoordinator ↓ MountingManager ↓ UIView / Android View这条链基本就是Fabric 源码主线。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉