新闻详情

新闻详情

首页 / 资讯中心 / 详情

为什么 Search 浏览器如此快速?懒加载标签、10毫秒开新页与睡眠机制的4项性能优化全解析

发布时间:2026/11/18 7:14:34来源:尧图网络
为什么 Search 浏览器如此快速?懒加载标签、10毫秒开新页与睡眠机制的4项性能优化全解析
为什么 Search 浏览器如此快速懒加载标签、10毫秒开新页与睡眠机制的4项性能优化全解析【免费下载链接】SearchA small, fast WebKit browser for macOS, by Office Commun.项目地址: https://gitcode.com/gh_mirrors/search59/SearchSearch 是一个专为 macOS 打造的轻量级 WebKit 浏览器仅约 3 MB 却拥有秒开体验。它靠懒加载标签、共享进程池10 毫秒开新页、标签睡眠机制和网络级广告拦截这 4 项性能优化让 20 个标签页的浏览器依然丝滑流畅。本文带你逐项看懂这些设计背后的原理。快速上手如何安装 Search 浏览器Search 免费、体积小、开箱即用支持两种安装方式直接下载从官网获取 macOS 14 的安装包Homebrew 一键安装brew install --cask driceroland/tap/search得益于内置于每台 Mac 的 WebKit 引擎Safari 同款Search 不需要下载 Chromium 的第二个副本这是它快且小的地基。优化一懒加载标签页——不点不加载传统浏览器恢复上次会话时会为每个标签页立刻创建渲染进程。Search 的做法完全不同标签页恢复自上次会话时只是一个对象而不是一个 web view 和它的进程。打开 20 个标签时它们只是 20 行地址 标题的记录Session.swift真正的页面视图web view延迟到你第一次切换到该标签时才构建Tab.swift。这就是为什么带着 20 个标签启动Search 依然瞬间完成——没被点击的标签成本为零。优化二10 毫秒开新页——共享进程池的秘密点开一个新标签要多久在 Tab.swift 的注释里记录了一组实测数据方案从书签/回车到页面开始加载每个标签独立进程池41 ~ 59 毫秒窗口卡住共享一个进程池9 ~ 10 毫秒原因很直白不共享进程池时每个新标签都要从零冷启动一个 WebKit 内容进程连字体注册都在主线程做窗口会卡住共享同一个WKProcessPool后WebKit 始终有一个预热好的进程随时可用且内存占用和进程数量完全相同。这也是 NOTES.md 中新标签页约 10 毫秒打开这一改进的来源。优化三睡眠机制——闲置标签自动还内存一个打开的标签背后是一个完整的 WebKit 内容进程占用 100~300 MB 内存、跑着定时器、握着网络套接字。20 个标签就是 2~3 GB而其中 19 个你可能根本不看。Search 的睡眠机制Sleep.swift这样工作闲置 30 分钟自动睡标签归还页面进程但保留历史、滚动位置并拍一张压缩快照——唤醒时先显示快照页面在底下悄悄重建回到标签时从你离开的那一刻继续而不是白屏聪明地不睡正在看的、固定pin的、播放声音的、正在通话/下载的标签永不休眠内存紧张时收紧macOS 发出内存警告时等待时间从 30 分钟缩到 5 分钟临界时立即执行每一步休眠前还会确认页面没有打字未发送的内容宁可放弃睡眠也不丢你的输入。优化四网络级广告拦截——渲染之前就已挡住大多数广告拦截插件是 JavaScript 实现的页面先下载、先渲染脚本再删——白白浪费了流量和渲染时间。Search 的拦截器Shield.swift是 WebKit 原生的WKContentRuleList启动时编译一次在 WebKit 的网络层执行——请求发出前就被拦截运行时零开销没有东西可渲染自然没有东西拖累页面默认开启单个站点出问题可按站点关闭互不影响小结快的本质是少做事优化核心思路源码位置懒加载标签不点不建进程Tab.swift10 毫秒新页共享进程池预热Tab.swift睡眠机制闲置还内存、快照唤醒Sleep.swift网络级拦截请求前拦截零开销Shield.swiftSearch 全部源码约 12,700 行 Swift、无第三方依赖、一个关注点一个文件任何人都可以完整读懂一个浏览器到底在做什么。想动手体验的话用swift build即可本地编译运行。【免费下载链接】SearchA small, fast WebKit browser for macOS, by Office Commun.项目地址: https://gitcode.com/gh_mirrors/search59/Search创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
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 2026/11/17 7:04:08

【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 2026/11/17 5:42:44

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 2026/11/17 19:43:34

【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 ... 2026/11/17 6:55:04

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 2026/11/17 5:57:47

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 2026/11/17 19:43:32

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
📞 ✉