У кеша все равно есть стратегия инвалидации, так что почистить не проблема

Минус дополнительный код для очистки

Все осложняет то, что ключем в WeakMap выступает объект. Если у вас все равно есть какой-то объект, который может устареть и быть вытеснен, то логично писать кешируемые данные сразу в него

Так, пока не особо понимаю

Ну вот это разве что

Но так-то там с десяток строчек, не велика экономия

Эхэх, а я то думал, что жто супер тайное знание))

Спасибо за разъяснения))

Я на WeakMap-е писал хешер функций

Функция — примитив, писать в нее как-то не комильфо

А задача состоит в том, чтобы сопоставить каждой функции одно число

В результате проверки числа понимается та же самая эта функция или нет

Принцип примерно такой:


const cbk = useCallback(() => {}, [foo])

weakMap.get(cbk)

Если для функции возвращается одно и то же число при ререндерах, то это одна и та же функция

Вот полный код:

export const createFunctionHasher = () => {
 const hashes: WeakMap<Function, number> = new WeakMap()
 let count = 1

 return (fn: Function): number => {
   let hash = hashes.get(fn)

   if (hash == null) {
     hash = count++
     hashes.set(fn, hash)
   }

   return hash
 }
}

Всем привет!
подскажите пожалуйста как оптимизировать такой кейс.
Работаю с api sec.gov, реализован поиск по названиям компаний и прочему, мы разово получаем весь список компаний в виде массива обьектов в размере 11000 обьектов, поиск реализован на основе material ui, autocomplete
При вводе в инпут вылетают ниже списком найденые варианты, все работает, но работает с задержкой, так как фильтр бежит по всем 11000 обьектам и смотрит совпадения.
Как можно решить проблемму задержки с таким большим обьемом данных?

В доке material-ui есть пример с виртуализацией