近年来，社区充斥着关于 Android 性能优化的各种误区，本文本着误区终结者的精神，使用具体的性能检测工具，结合真实案例仔细分析这些情况，并对比它们的测试结果，也会聚焦 Android 开发者平时在编码过程的实际场景，用实际数据告诉你在实际编码之前请，一定要进行必要的性能检测。
误区 1：Kotlin 比 Java 更消耗性能
Google 云端硬盘团队目前已将其应用程序从 Java 全面替换为 Kotlin，重构范围涉及 170 多个文件，超过 16,000 行代码，包含 40 多个编译产物，在团队监控的指标中，第一要素是启动时间，测试结果如下：
如图所示，使用 kotlin 并没有对性能造成实质的影响，而且在整个基准测试过程中，Google 团队也都没有观察到明显的性能差异，即使编译时间和编译后的代码大小略有增加，但都保持在 2％ 之内，完全可以忽略不计。而得益于 kotlin 简洁的语法，团队的代码行却减少了大约 25％，也变得更易读和易维护。
还比较值得一提的是，使用 kotlin 时，我们也可以使用像 R8 这样的代码缩减工具，对代码进行进一步的优化。
误区二：Getters 和 Setters 方法更耗时
因为担心性能下降，有些开发者会选择在类中直接使用 public 修饰字段，而不去写 getter 和 setter 方法，如下面这段代码，这里的 getFoo() 方法就是变量 foo 的 getter 函数：
public class ToyClass {
public int foo;
public int getFoo() { return foo; }
}
ToyClass tc = new ToyClass();直接使用 tc.foo 获取变量显然已经破坏了面向对象的封装性，而在性能方面，我们在配备 Android 10 的 Pixel 3 上使用 Jetpack Benchmark 对 tc.getFoo () 与 tc.foo 两个方法进行了基准测试，该库提供了预热代码的功能，最终的稳定测试结果如下：
getter 方法的性能与直接 access 变量的性能也并没有多大差别，结果并不奇怪，因为 Android RunTime (ART) 内联了代码中所有的 getter 方法，因此，在 JIT 或 AOT 编译后执行的代码是相同的，正因如此，在 kotlin 中即使我们默认需要使用 getter 或 setter 获得变量，性能也并不会有所下降，如果使用 Java，除非特殊需要，否则就不应该使用这种方式破坏代码的封装性。
误区三：Lambda 比内部类慢
Lambda（尤其是在引入 Stream API 的情况下）是一种非常方便的语法，可实现非常简洁的代码。如下这段代码，对对象数组的内部字段值求和，这里，使用了 Stream API 搭配 map-reduce 操作：
ArrayList<ToyClass> array = build();
int sum = array.stream().map(tc -> tc.foo).reduce(0, (a, b) -> a + b);
第一个 lambda 会将对象转换为整数，第二个 lambda 会将产生的两个值相加。
下面代码中，我们再将 lambda 表达式换成内部类：
ToyClassToInteger toyClassToInteger = new ToyClassToInteger();
SumOp sumOp = new SumOp();
int sum = array.stream().map(toyClassToInteger).reduce(0, sumOp);
这里，有两个内部类：一个是 toyClassToInteger，它可以将对象转换为整数，第二个 SumOp 用来做求和运算。
从语法上看，第一个带有 lambda 的示例显然更优雅，也更易读。那么，性能差异又如何呢？我们再次在 Pixel 3 上使用了 Jetpack Benchmark，也没有发现性能差异：
从图中可以看到，我们还定义了单独的外部 (top-level) 类一起来做比较，发现性能都没有什么差异，原因就是 lambda 表达式最终也会被转换为匿名内部类。因此，为了代码的简洁易读，在这种场景下 lambda 表达式就是第一选择。
误区四：对象分配开销过大，应该使用对象池
Android 内置了最先进的内存分配和垃圾回收机制，如下图所示，几乎每个版本的更新都在对象分配方面做各式各样的更新。
各个版本之间的垃圾收集性能都有显著的改善，如今，垃圾收集对应用程序的流畅已经几乎没有影响了。下图展示了 Google 官方在 Android 10 中对具有分代并发收集的对象收集所做的改进，新版本的 Android 11 中也有明显的改进。
在 GC 基准测试（例如 H2）中，吞吐量大幅提高了 170％ 以上，而在实际应用（如 Google Sheets）中，吞吐量也提高了 68％。
如果认为垃圾收集效率低下并且内存分配负担很重，那么就相当于认为创建的垃圾越少，垃圾收集工作就越少，因此，代替每次使用时都创建新对象，我们可以维护一个经常使用的类型的对象池，然后从池中获取已创建的对象，如下：
Pool<A> pool[] = new Pool<>[50];
void foo() {
A a = pool.acquire();
…
pool.release(a);
}
这里省略了代码细节，大体就是就是定义了一个 pool，从 pool 中获取对象，然后最终释放。
要测试这种场景，我们使用微基准测试 (microbenchmark)：从池中测试分配对象的开销，以及 CPU 的开销，来确定垃圾回收是否会影响应用程序的性能。
在这种情况下，我们依然可以在装有 Android 10 的 Pixel 2 XL 上循环运行了数千次分配对象的代码，因为对于小型或大型对象，性能可能会有所不同，我们还通过添加不同的字段来模拟不同的对象大小，最终的开销结果如下：
用于垃圾回收的 CPU 开销的结果如下：
从图中可以看出，标准分配和池化对象之间的差异也很小，但是，当涉及到较大对象的垃圾回收时，池解决方案略微高一点。
这个结果并不意外，因为池化对象会增加应用的内存占用量，此时，应用突然占用了太多的内存，即使由于池化对象减少了垃圾回收调用的数量，每个垃圾回收调用的成本也更高，因为垃圾收集器必须遍历更多的内存才能确定哪些对象需要被收集，哪些对象需要保留。
那么，对象是否应该被池化，这还是主要取决于应用的需求。如果不考虑到代码复杂性，池化对象有如下缺点：
- 提高内存占用量
- 使对象存活变长
- 需要非常完善的对象池机制
但是，池的方法对于大并且耗时的对象分配可能确实是有效的，关键是要记住在选择方案之前进行充分的测试。
误区五：debug 模式下进行性能分析
在 debug 的同时对应用进行性能分析非常方便，毕竟，我们通常也是在 debug 模式下进行编码的，并且，即使 debug 应用中的性能分析不准确，也可以更快地进行迭代修改提高效率，然后事实是并没有。
为了验证这一误解，我们分析了 Activity 相关的常见操作过程过的测试结果，如下图：
在某些测试（例如反序列化）中，debug 与否对性能没有影响，但是，有些结果却有 50％ 甚至以上的差别，我们甚至发现结果速度可能会慢 100％ 的例子，这是因为 runtime 在 debug 模式下时对代码几乎没有优化，因此与用户在生产设备上运行的代码有很大不同。
在 debug 模式下进行性能分析的结果是可能会误导优化方向，导致浪费时间来优化不需要优化的内容。
疑点
现在，我们需要有意识的逃避上述提到的五大误区，下面我们再来看一下一些日常开发中不太明显，但我们经常会有的疑惑的问题，事实结果可能也与我们想的大相径庭。
疑点 1：Multidex：是否影响应用性能？
如今的 APK 文件越来越大，因为大型应用通常会超出 Android 限定的方法数量，从而使用 Multidex 方案打破传统的 dex 规范。
问题是，多少方法可以称之为多？而且如果应用包含大量 dex 是否对性能产生影响？很多时候我们也并不是因为应用太大，而是为了根据功能拆分 dex 文件来方便团队开发而使用 Multidex。
为了测试多个 dex 文件对性能的影响，我们使用了计算器应用，默认情况下，它只包含单个 dex 文件，我们可以根据其程序包边界将其拆分为五个 dex 文件，来根据功能部件模拟拆分。
首先，测试启动应用的性能，结果如下：
因此，拆分 dex 文件对此处并没有影响，对于其他应用，可能会因为某些因素而产生轻微的开销：应用程序的大小以及拆分方式。但是，只要合理地分割 dex 文件并且不添加成百个 dex 文件，对启动时间的影响应该不大。
接下来是 APK 的大小和内存消耗：
如图所示，APK 大小和应用的运行时内存占用量都略有增加，这是因为将应用程序拆分为多个 dex 文件时，每个 dex 文件都会有一些符号表和缓存表中的重复数据。
但是，我们可以通过减少 dex 文件之间的依赖关系来最大限度地避免这种情况，在这个案例中，并没有将 dex 包量化，我们可以使用 R8 和 D8 之类的工具合理分析项目结构并使用最小化的依赖关系，这些工具可以自动拆分 dex 文件，并帮助我们避免常见的错误，最大程度地减少依赖关系，如创建的 dex 文件数量不会超过指定的数量，并且不会将所有启动类都放置在主文件中。但是，如果我们对 dex 文件进行自定义拆分，请确保合理分析。
疑点 2：无用代码
使用 ART 这样的即时编译器的好处之一就是可以在运行时分析代码，并对其进行优化。有一种说法是，如果解释器 / JIT 系统没有对代码进行概要分析，就可能不会执行该代码。为了验证这一理论，我们检查了 Google 应用生成的 ART 配置文件，发现许多代码并没有被 JIT 做概要分析，这就表明许多代码实际上从未在设备上执行过。
有几种类型的代码可能无法剖析：
- 错误处理代码，希望它不会执行太多。
- 兼容性代码，并非在所有设备上都执行的代码，尤其是 Android 5 以上版本的设备。
- 不常用功能的代码。
但是，从结果分布来看，应用程序中还是会存在很多不必要的代码。R8 可以帮助我们快速，简便，免费地删除不必要的代码，来缩小这部分的开销。如果不这么做，我们也可以将应用打包成 Android App Bundle，这种格式只会使用特定设备所需的代码和资源来运行应用。
总结
本文，我们分析了 Android 性能优化的五个误区，但某些情况下数据的结果还并不清晰，我们需要做的就是在优化和修改代码之前尽量做好性能测试。
目前，已经有很多工具可以帮助我们分析评估如何优化应用了，如 Android Studio 中的 profilers，它也提供了电池和网络的监测功能。也可以用一些工具做更深入的探究，如 Perfetto 和 Systrace，这些工具会提供更加详细的功能，例如在应用启动或执行过程中发生的具体情况。
Jetpack Benchmark 摒弃了监测和基准测试的所有复杂操作，官方强烈建议我们在持续集成系统中使用它来跟踪性能，并查看应用在添加功能的行为，最后需要注意的一点是，不要在 debug 模式下分析应用性能。
