能力，重新实 前端 < 3 现一遍 Flutter 嵌入层。 对于 Flutter 嵌入层的适配，Flutter 官方有一份不算详细的指南，实际操作起来成本 很高。由于鸿蒙的业务开发语言仍然可用 Java，在很多基础概念上与 Android 也有 相似之处（如下表所示），我们可以从 Android 的实现入手，完成对鸿蒙的移植。 Flutter 在鸿蒙上的适配 如前文所述，要完成 Flutter 创建了一个视图对象，提供可用于直接绘制的 Surface，将它通过 JNI 传递给 原生侧； 前端 < 7 ● 在原生侧获取 Surface 关联的本地窗口对象，并交给 Flutter 的平台容器； ● 将本地窗口对象转换为 OpenGL ES 可识别的绘图表面（EGLSurface），用 于 Flutter 引擎的渲染上屏。 接下来我们用鸿蒙提供的平台能力实现这三点。 a. 可用于直接绘制的视图对象 Native 平台实现方式的不同主要集中在下面两点。 首先，Web Plugin 推荐的方式不是以其平台特有的 JS 语言实现，而是通过 Dart Library 或 Package 实现，对于已有现成可用的 JS SDK 或需要大量使用 JS 实现功能 的情况下，官方提供了 package:js 包调用 Javascript，从而实现与 Javascript 的交互。 其次，Web Plugin

在线/离线事件探测 API文档 简介 进程对象 支持的 Chrome 命令行开关 环境变量 自定义的 DOM 元素 File 对象 标签 window.open 函数 在主进程内可用的模块 app autoUpdater BrowserWindow contentTracing dialog globalShortcut ipcMain Menu MenuItem 构建 powerSaveBlocker protocol session webContents Tray 在渲染进程（网页）内可用的模块 desktopCapturer ipcRenderer remote webFrame 在两种进程中都可用的模块 clipboard crashReporter nativeImage screen shell 开发 代码规范 支持的 Chrome 命令行开关 环境变量 自定义的 DOM 元素 在主进程内可用的模块 在渲染进程（网页）内可用的模块 在两种进程中都可用的模块 API文档 - 45 - 本文档使用 书栈(BookStack.CN) 构建 所有的Node.js's built-in modules在Electron中都可用，并且所有的node的第三方组件也可以放心使用（包 括自身的模块）。 Ele

的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。 複雜度是個數學概念，對於初學者可能比較抽象，學習難度相對較高。從這個角度看，複雜度分析可能不太 適合作為最先介紹的內容。然而，當我們討論某個資料結構或演算法的特點時，難以避免要分析其執行速度 和空間使用情況。 綜上所述，建議你在深入學習資料結構與演算法之 表 2‑1 迭代與遞迴特點對比 迭代 遞迴 實現方 式 迴圈結構 函式呼叫自身 第 2 章 複雜度分析 www.hello‑algo.com 27 迭代 遞迴 時間效 率 效率通常較高，無函式呼叫開銷 每次函式呼叫都會產生開銷 記憶體 使用 通常使用固定大小的記憶體空間 累積函式呼叫可能使用大量的堆疊幀空間 適用問 題 適用於簡單迴圈任務，程式碼直觀、可讀 性好 適

的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。 複雜度是個數學概念，對於初學者可能比較抽象，學習難度相對較高。從這個角度看，複雜度分析可能不太 適合作為最先介紹的內容。然而，當我們討論某個資料結構或演算法的特點時，難以避免要分析其執行速度 和空間使用情況。 綜上所述，建議你在深入學習資料結構與演算法之 表 2‑1 迭代與遞迴特點對比 迭代 遞迴 實現方 式 迴圈結構 函式呼叫自身 第 2 章 複雜度分析 www.hello‑algo.com 27 迭代 遞迴 時間效 率 效率通常較高，無函式呼叫開銷 每次函式呼叫都會產生開銷 記憶體 使用 通常使用固定大小的記憶體空間 累積函式呼叫可能使用大量的堆疊幀空間 適用問 題 適用於簡單迴圈任務，程式碼直觀、可讀 性好 適

的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。 複雜度是個數學概念，對於初學者可能比較抽象，學習難度相對較高。從這個角度看，複雜度分析可能不太 適合作為最先介紹的內容。然而，當我們討論某個資料結構或演算法的特點時，難以避免要分析其執行速度 和空間使用情況。 綜上所述，建議你在深入學習資料結構與演算法之 表 2‑1 迭代與遞迴特點對比 迭代 遞迴 實現方 式 迴圈結構 函式呼叫自身 第 2 章 複雜度分析 www.hello‑algo.com 27 迭代 遞迴 時間效 率 效率通常較高，無函式呼叫開銷 每次函式呼叫都會產生開銷 記憶體 使用 通常使用固定大小的記憶體空間 累積函式呼叫可能使用大量的堆疊幀空間 適用問 題 適用於簡單迴圈任務，程式碼直觀、可讀 性好 適

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() ，从而占用 ?(?) 的栈帧空间。 第 2 章 复杂度分析 hello‑algo.com 44 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() ，从而占用 ?(?) 的栈帧空间。 第 2 章 复杂度分析 hello‑algo.com 44 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶