目录

什么时候需要分片上传？分片上传流程获取文件专属MD5码接口1：传MD5码获取该文件已上传的片数接口2：将文件分片成promise请求数组promise请求数组做线程池限制处理 p-limit接口3：promise.all执行结束后，请求一个是否合并成功的接口完整主函数待优化的地方: 使用Web Workers进行分片上传

什么时候需要分片上传？

       如果将大文件一次性上传，耗时会非常长，甚至可能传输失败，那么我们怎么解决这个问题呢？既然大文件上传不适合一次性上传，那么我们可以尝试将文件分片散上传。

这样的技术就叫做分片上传。分片上传就是将大文件分成一个个小文件（切片），将切片进行上传，等到后端接收到所有切片，再将切片合并成大文件。通过将大文件拆分成多个小文件进行上传，确实就是解决了大文件上传的问题。因为请求时可以并发执行的，这样的话每个请求时间就会缩短，如果某个请求发送失败，也不需要全部重新发送。

分片上传流程

获取文件专属MD5码

<code>import sparkMD5 from 'spark-md5' // 安装下spark-md5包

// 定义hash函数，接受一个名为chunks的数组作为参数

hash = (chunks) => {

// 返回一个Promise，这样调用者可以使用.then()或async/await来处理结果

return new Promise((resolve) => {

// 创建一个新的sparkMD5实例，用于计算MD5哈希值

const spark = new sparkMD5();

// 定义一个递归函数_read，用于逐个处理chunks数组中的blob

function _read(i) {

// 如果索引i大于等于chunks数组的长度，说明所有blob都已经处理完毕

if (i >= chunks.length) {

// 调用sparkMD5实例的end方法，并传入resolve回调，以返回最终的哈希值

resolve(spark.end());

return; // 读取完成，退出函数

}

// 获取当前索引i对应的blob

const blob = chunks[i];

// 创建一个新的FileReader实例，用于读取blob的内容

const reader = new FileReader();

// 设置FileReader的onload事件处理函数，当blob内容读取完成后调用

reader.onload = e => {

// 从事件对象e中获取读取到的字节数组

const bytes = e.target.result;

// 将字节数组添加到sparkMD5实例中，用于计算哈希值

spark.append(bytes);

// 递归调用_read函数，处理下一个blob

_read(i + 1);

};

// 以ArrayBuffer格式异步读取当前blob的内容

reader.readAsArrayBuffer(blob); // 这里是读取操作开始的地方

}

// 从索引0开始，调用_read函数，处理chunks数组中的第一个blob

_read(0);

});

};

解析：

       在这个函数中，_read 函数是一个递归函数，它会逐个处理 chunks 数组中的每个 blob。对于每个 blob，它使用 FileReader 的 readAsArrayBuffer 方法异步读取内容，并在内容读取完成后通过 onload 事件处理函数将读取到的字节数组添加到 sparkMD5 实例中。当所有 blob 都处理完毕后，sparkMD5 实例的 end 方法被调用，并返回最终的哈希值，这个值随后通过Promise的 resolve 方法传递给调用者。

       在这个函数中，当用户选择一个文件后，readAsArrayBuffer开始异步读取文件内容。一旦文件内容被读取并转换为ArrayBuffer，onload事件处理程序就会被调用，你可以在这个事件处理程序中访问到ArrayBuffer对象，并对其进行处理。ArrayBuffer对象代表原始的二进制数据

接口1：传MD5码获取该文件已上传的片数

调用上面的方法hash()

const md5Str = await this.hash(chunksList);

/* 这里写发送md5Str【接口1】 的方法，获取已上传片数 */

接口2：将文件分片成promise请求数组

1.文件分片

chunkFile = (file, chunksize) => {

const chunks = Math.ceil(file.size / chunksize);

const chunksList = [];

let currentChunk = 0;

while (currentChunk < chunks) {

const start = currentChunk * chunksize;

const end = Math.min(file.size, start + chunksize);

const chunk = file.slice(start, end);

chunksList.push(chunk);

currentChunk++;

}

return chunksList;

};

2.封装成promise请求

chunkPromise = data => { //每个分片的请求

return new Promise((resolve, reject) => {

/* 这里写上传的 【接口2】，传data过去*/

}).catch(err => {

message.error(err.msg);

reject();

})

}

const promiseList = []

const chunkList = chunkFile(file, size)

chunkList.map(item => {

const formData = new FormData();

formData.append('file', item)

// limit是线程池组件 后面会写

promiseList.push(limit(() => this.chunkPromise(formData, chunks)))

})

promise请求数组做线程池限制处理 p-limit

p-limit npm 包是一个实用工具，它允许你限制同时运行的 Promise 数量。当你拥有可以在并行中运行的操作，但由于资源限制想要限制这些操作的数量时，这个工具就很有用，有助于控制并发性。

p-limit npm地址

官方案例：

const pLimit = require('p-limit');

const limit = pLimit(2);

const input = [

limit(() => fetchSomething('foo')),

limit(() => fetchSomething('bar')),

limit(() => doSomethingElse()),

];

// Only two promises will run at once, the rest will be queued

Promise.all(input).then(results => {

console.log(results);

});

接口3：promise.all执行结束后，请求一个是否合并成功的接口

Promise.all(promiseList).then(res =>{

// 这里写接口3 问后端是否合并成功了

}).catch(err => {

message.error(err.msg);

})

完整主函数

分片大小建议不超过最大不超过5M

const md5Str = await this.hash(chunksList);

/* 这里写发送md5Str【接口1】 的方法，获取已上传片数 */

const promiseList = []

const chunkList = this.chunkFile(file, size)

chunkList.map(item => {

const formData = new FormData();

formData.append('file', item)

promiseList.push(limit(() => this.chunkPromise(formData, chunks))) // 【接口2 在this.chunkPromise里】

}

Promise.all(promiseList).then(res =>{

// 这里写【接口3】 问后端是否合并成功了

}).catch(err => {

message.error(err.msg);

})

待优化的地方: 使用Web Workers进行分片上传

Web Workers在后台线程中运行，它们不会阻塞主线程，这意味着主线程可以继续响应用户的操作，如界面渲染和交互。在分片上传过程中，每个文件块可以在单独的Worker中处理，从而实现并行处理，大大提高了上传速度。同时，由于Worker不会与主线程共享内存，因此可以避免内存竞争和阻塞，进一步提升了性能。

【感兴趣的读者可以尝试一下】