前段性能优化遇到的难点
在实际工作当中，前端性能优化往往比较繁杂，防布局抖动、HTML优化、CSS优化、图片加载优化等等，许多细节都需要顾及。而想要学习和掌握前端性能优化，人们会有许多难点。
第一个难点：成体系的性能优化资料严重缺失。
市面上的“武器库”有很多，你Google搜索性能优化体系会出来很多站点，里面提到各种各样的优化思路，如缓存请求、服务端响应优化、页面解析与处理、静态资源优化等。但这些优化手段充其量只是性能优化中的一个点或几个点，很难形成一个完整的体系，让人一目了然。
第二个难点：性能监控预警平台没有开源，需要自己去开发。
有一定优化经验的前端工程师都知道，性能优化的一个重中之重在于性能监控预警平台。通过它，我们可以第一时间发现问题。但这么一个重要工具，需要你自己去开发。
第三个难点：实践中有许多坑，别人并不会公开分享。
前端指标的制定、采集和上报，你在网上会看到一些资料，比如说，有一个搜索页面，用户在页面还没加载完成的时候，发起了搜索。这时候，你会发现采集到的首屏时间比实际的要长很多。又比如，采集到的异常数据该怎么处理，上报策略怎么设定，这些需要多次趟坑才能了解到。
第四个难点：性能优化立项沟通
性能优化中的立项是个难题，如何从业务的角度来思考性能优化的价值，并说服业务去发起这个项目，这中间有很多的方法。但这些方法你很难通过自己短期思考去获得，而在市面上也很难找到这样的知识。
比如立项正推和反推。所谓正推，就是性能线索-性能问题-性能优化方案-性能收益，根据这个思路来开展立项沟通；反推是预估需要的性能收益-性能优化方案-性能问题-性能线索，以此来确定立项。
说一下自己在大数据项目中的实践。首先：要考虑性能指标，然后：要考虑哪了出了问题，导致性能出问题。这里就需要有大量的日志和监控数据作为佐证。最后：要根据发现的问题考虑优化的策略。比如：有没有预算提高硬件资源。一般很多看似复杂的问题，在硬件内存CPU提升之后就能够迎刃而解。
比如：考虑代码层面上，算法层面等的优化。因为算法时间复杂度很影响或者是制约性能问题。比如：业务层面考虑有没有整合的地方，比如简化业务流程和提高效率。这里其实很大层面，就是并行比串行快。诸如此类，等等。