IndexedDB支撑海量数据的核心是结构化组织与事务控制;需按生命周期分store、建索引加速查询、小粒度但跨store统一事务、版本升级预埋分批迁移。

处理海量数据的前端持久化,核心不是“存得多”,而是“读得快、写得稳、升得顺”。IndexedDB 是目前唯一能真正支撑海量结构化数据(几十MB甚至上百MB)的原生方案;所谓“Store 的联动”,本质是对象仓库(Object Store)之间的协同设计与事务调度,而非简单堆砌多个 store。
按数据生命周期拆分 Object Store
不要把所有数据塞进一个 store。应依据访问频率、更新节奏、查询模式划分 store:
- 草稿类:如编辑中的文档、表单临时状态 —— 单独 store,高频写入,支持按时间戳或 session ID 索引
- 缓存类:API 响应体、图片 blob、离线资源 —— 按 URL 或 hash 做主键,配合 TTL 字段 + 定期清理事务
- 配置/元数据类:用户偏好、主题设置、权限标识 —— 小而稳,可用单一 record(如 key = "config")+ put 覆盖更新
用索引替代全量遍历,避免 cursor 性能陷阱
海量数据下,openCursor() 遍历整个 store 极易卡顿。正确做法是:
- 为高频查询字段显式创建索引:
store.createIndex('byStatus', 'status', { unique: false }) - 查“待同步”记录时,直接走索引:
index.getAll(IDBKeyRange.only('pending')) - 避免在事务中做多次独立 get —— 合并为
getAll()或用 key range 批量读取
事务粒度要小,但跨 store 操作需统一事务
IndexedDB 要求所有读写必须在事务内进行。关键原则:
- 单个 store 的增删改查,各自用最小 scope 事务(如
db.transaction(['drafts'], 'readwrite')) - 涉及多 store 的强一致性操作(例如:保存草稿 + 更新最近访问列表),必须共用一个事务:
db.transaction(['drafts', 'recent'], 'readwrite') - 禁止在事务回调里再开新事务 —— 会触发 abort,且无法回滚嵌套逻辑
版本升级必须预埋管道,不能靠 onupgradeneeded 临时补丁
数据量越大,升级越敏感。上线前就要规划好迁移路径:
- 每次 version bump,只做一项明确变更(如“新增 users store”或“为 logs store 加 status 索引”)
- 在
onupgradeneeded中严格检查旧结构是否存在,再执行 create / delete 操作 - 迁移数据用独立事务分批处理(例如每次搬 100 条),避免阻塞主线程和触发浏览器内存限制
不复杂但容易忽略:IndexedDB 的威力不在单点写入,而在结构化组织与事务边界控制。用好 object store 分治、索引加速、事务隔离这三件套,海量数据就能既存得住,也跑得动。











