在浏览器里解析 200MB 的 X 归档：流式读取、内存与线程安排

限制一：主线程不能阻塞

解析几万条记录加上正则扫描，在服务端是几百毫秒的事，放在浏览器主线程上就会让页面完全卡住。用户看到的是标签页无响应，甚至被浏览器提示页面已卡死。这个限制不是性能问题，是架构问题：只要解析在主线程上，无论怎么优化算法都躲不过。

做法是把解析放进 Web Worker。Worker 在独立线程上运行，主线程只负责传递文件引用和接收进度消息。界面在这期间保持可交互，进度条能正常刷新，用户随时可以取消。

实现上有两个细节容易踩空。文件对象本身可以结构化克隆传给 Worker，不需要先把内容读进内存；但解析结果往往很大，从 Worker 往回传之前先做裁剪，只传需要的字段，避免一次克隆出几十兆的数据。

限制二：内存峰值

把整个文件读成一个字符串，再 JSON.parse，是最直观的写法，也是最先撞墙的写法。一份 200MB 的归档读成字符串后占用约 400MB（UTF-16 每字符两字节），解析成对象后还会再膨胀一次，峰值很容易超过 1GB。浏览器标签页的内存上限比这个数字低。

要压住峰值，思路是不要一次持有全部数据：

• 分块读取文件，每次只处理一个块，处理完就释放引用。
• 解析出的记录边处理边丢弃，只保留命中的条目和计数。
• 避免在循环里做字符串拼接。大字符串拼接会反复分配，用数组收集最后合并。
• 如果要保留中间结果，考虑存到 IndexedDB 而不是常驻内存。

这里有个反直觉的点：为了省内存改成流式处理后，代码复杂度上去了，但速度快不快并不确定。流式解析省的是内存，不是时间。如果你的归档只有几兆，直接整体解析反而更快也更简单。

限制三：怎么读文件

方式	内存占用	适用场景
整体读成文本	高（约两倍文件大小）	小文件，几十兆以内
分块读取	低，取决于块大小	大文件，需要自定义解析边界
边读边解压	低到中	归档是压缩包时

归档通常以压缩包形式提供，所以还多一层解压。浏览器侧的流式解压库可以在数据到达时逐块展开，避免先解压出一整个大文件。这一步的顺序很关键：先解压再分块，内存峰值等于完整解压后的体积；边读边解压，峰值只取决于块大小。

分块处理会遇到一个边界问题：块切在哪里。JSON 结构不能从任意位置切断，需要维护一个跨块的缓冲，把上一块的尾部留着和下一块拼起来。这是流式解析器里最容易写错的部分，也是最容易写出死循环的地方。

解析 tweets.js 的实际困难

归档里的 tweets.js 不是标准 JSON 文件，开头有一行赋值语句，整体也不保证能被整体解析。常见的处理是先定位第一个左方括号，从那里开始按数组元素逐个解析，而不是把整个文件交给 JSON 解析器。

这样做还有个附带好处：可以边解析边统计，不需要等全部解析完才显示第一条结果。对 200MB 的文件来说，用户能在几秒内看到"已处理多少条"，这和等两分钟看到一片空白是完全不同的体验。

文件内部结构见 tweets.js 结构拆解，字段含义见 归档内文件说明。

正则扫描怎么才不拖慢整体

敏感信息扫描通常靠正则。这里性能陷阱很多，几条经验：

• 把正则编译一次复用，不要在循环里反复构造。
• 先用最便宜的条件做预筛（比如先判断是否含特定字符），再做完整匹配。
• 避免嵌套量词，回溯会把一条长文本的处理时间放大几倍。
• 把扫描放在 Worker 里，让界面不受影响。

手机号、邮箱这类模式的匹配要考虑国际格式。只写一种地区的号码格式，会漏掉大量非本地的写法，也会产生误报。误报的处理方式见 体检报告误报处理。

进度与取消

长任务必须能取消，否则用户关掉标签页就成了唯一的退出方式。实现上，主线程往 Worker 发一条消息设置标志位，Worker 在处理每个块之前检查一次，命中就停止并回传已处理数量。

进度回传要限频。每处理一条就发一条消息，消息本身的开销会变成瓶颈。按块或按时间间隔回传（比如每 200 毫秒一次），界面看起来依然是连续的。

取消之后，已经完成的部分不应该丢掉。允许用户带着已处理的结果继续，或者选择重新开始，这比强制重跑全部内容友好得多。

这条路线换来什么

服务端解析在工程上简单很多：环境固定、内存充裕、没有线程限制。浏览器侧解析要额外处理线程、内存和读取方式，成本实实在在。

换来的是另一件事：归档文件从未离开用户的设备。没有上传步骤，没有临时存储，也没有"删除服务器上的数据"这个需要相信对方的环节。对隐私类工具来说，这个性质本身就是产品的一部分，不是实现细节。

另外有个实际收益：没有服务端就没有带宽成本，处理几万条记录不产生费用。这也是这类工具能对体检环节免费的算术基础，相关对比见 本机处理与云端处理。

关于 digital-footprint-health.shop

digital-footprint-health.shop 就是这么做的：X 归档在你的浏览器里被解析，不经过任何服务器。扫描结果、评分和风险清单都在本机生成，关掉标签页即结束，没有留存的服务端副本。想先看看自己账号里有什么，可以从 免费体检 开始，需要清理时再按条执行删除，详情见 批量删除流程。