省 Shiny 性能

藉快取、async、應圖優之 Shiny 性能診省。

用

• 用時 Shiny 緩或不應
• 並用負下伺資源耗
• 某操（載、繪、算）為瓶
• 備多用之生產部署

入

• 必：Shiny 用之路
• 必：性能疾述（載緩、互滯、記憶高）
• 可：預期並用數
• 可：可用伺資（RAM、CPU）
• 可：用否用庫或外 API

行

一：剖用

# Profile with profvis
profvis::profvis({
  shiny::runApp("path/to/app", display.mode = "normal")
})

# Or profile specific operations
profvis::profvis({
  result <- expensive_computation(data)
})

識最瓶：

1. 載料：初載幾時？
2. 應重算：何應最頻發？
3. 渲：何輸最久？
4. 外調：庫詢、API、I/O？

用應日誌析應圖：

# Enable reactive logging
options(shiny.reactlog = TRUE)
shiny::runApp("path/to/app")
# Press Ctrl+F3 in the browser to view the reactive graph

得： 明識 2-3 大瓶。

敗： profvis 不顯詳→於特段包 profvis::profvis()。reactlog 過繁→專注一互動。

二：省應圖

減無謂應失效：

# BAD: Recomputes on ANY input change
output$plot <- renderPlot({
  data <- load_data()  # Runs every time
  filtered <- data[data$category == input$category, ]
  plot(filtered)
})

# GOOD: Isolate data loading from filtering
raw_data <- reactive({
  load_data()
}) |> bindCache()  # Cache the expensive part

filtered_data <- reactive({
  raw_data()[raw_data()$category == input$category, ]
})

output$plot <- renderPlot({
  plot(filtered_data())
})

用 isolate() 阻無謂失效：

# Only recompute when the button is clicked, not on every input change
output$result <- renderText({
  input$compute  # Take dependency on button
  isolate({
    paste("N =", input$n, "Mean =", mean(rnorm(input$n)))
  })
})

高頻輸用 debounce() + throttle()：

# Debounce text input — wait 500ms after user stops typing
search_text <- reactive(input$search) |> debounce(500)

# Throttle slider — update at most every 250ms
slider_value <- reactive(input$slider) |> throttle(250)

得： 應圖但發必算。

敗： 除依破能→用 req() 加明守、勿賴隱應依。

三：施快取

bindCache 為 Shiny 輸

output$plot <- renderPlot({
  create_expensive_plot(filtered_data())
}) |> bindCache(input$category, input$date_range)

output$table <- renderDT({
  expensive_query(input$filters)
}) |> bindCache(input$filters)

bindCache 以輸值為鍵。同輸再現則即返快取。

memoise 為函

# Cache expensive function results
load_reference_data <- memoise::memoise(
  function(dataset_name) {
    readr::read_csv(paste0("data/", dataset_name, ".csv"))
  },
  cache = cachem::cache_disk("cache/", max_age = 3600)
)

用級預算

# In global.R or outside server function — computed once at app startup
reference_data <- readr::read_csv("data/reference.csv")
model <- readRDS("models/trained_model.rds")

server <- function(input, output, session) {
  # reference_data and model are available to all sessions
  # without reloading
}

得： 復操用快取、應時顯減。

敗： 快取過大→設 max_age 或 max_size。值陳→減 max_age 或加清鈕。bindCache 誤→確鍵輸可序化。

四：長操加 async

長算用 ExtendedTask（Shiny ≥ 1.8.1）：

server <- function(input, output, session) {
  # Define the extended task
  analysis_task <- ExtendedTask$new(function(data, params) {
    promises::future_promise({
      # This runs in a background process
      run_heavy_analysis(data, params)
    })
  }) |> bind_task_button("run_analysis")

  # Trigger the task
  observeEvent(input$run_analysis, {
    analysis_task$invoke(dataset(), input$params)
  })

  # Use the result
  output$result <- renderTable({
    analysis_task$result()
  })
}

舊版（< 1.8.1）直用 promises：

library(promises)
library(future)
plan(multisession, workers = 4)

server <- function(input, output, session) {
  result <- eventReactive(input$compute, {
    future_promise({
      Sys.sleep(5)  # Simulate long computation
      expensive_analysis(isolate(input$params))
    })
  })

  output$table <- renderTable({
    result()
  })
}

得： 長操不阻 UI、他用算時可互動。

敗： future_promise 誤→確 plan(multisession) 已設。future 中不見變→須明傳—future 行於別 R 程。

五：省渲

減渲耗：

# Use plotly for interactive plots instead of re-rendering
output$plot <- plotly::renderPlotly({
  plotly::plot_ly(filtered_data(), x = ~x, y = ~y, type = "scatter")
})

# Use server-side DT for large tables
output$table <- DT::renderDataTable({
  DT::datatable(large_data(), server = TRUE, options = list(
    pageLength = 25,
    processing = TRUE
  ))
})

# Conditional UI to avoid rendering hidden elements
output$details <- renderUI({
  req(input$show_details)
  expensive_details_ui()
})

得： 渲速、不阻 UI。

敗： plotly 對大料慢→用 toWebGL() 或先降採料。

六：驗性能改善

# Before/after benchmarking
system.time({
  shiny::testServer(myModuleServer, args = list(...), {
    session$setInputs(category = "A")
    session$flushReact()
  })
})

# Load testing with shinyloadtest
shinyloadtest::record_session("http://localhost:3838")
shinyloadtest::shinycannon(
  "recording.log",
  "http://localhost:3838",
  workers = 10,
  loaded_duration_minutes = 5
)
shinyloadtest::shinyloadtest_report("recording.log")

得： 應時或並用容可量改。

敗： 未善→重剖覓次瓶。性能省為迭代—先修最瓶、再量。

驗

• 剖識具瓶（非猜）
• 應圖無無謂失效鏈
• 貴操用快取（bindCache 或 memoise）
• 長算用 async（ExtendedTask 或 promises）
• 高頻輸用 debounce/throttle
• 大料用伺端處
• 改善可量（前後計時）

忌

• 早省：先剖—瓶罕在心想處
• 快取失效：用見陳料→鍵未含諸相關輸—加缺依於 bindCache()
• future 變範：future_promise 行於別程—全變、庫連、應值須明捕
• 應糾纏：應圖過雜難解→須架重構（模組）、非但快取
• 過快取：皆快取耗記憶—惟貴+復現之操方快取

參

• build-shiny-module
• scaffold-shiny-app
• deploy-shiny-app
• test-shiny-app