本文来自腾讯前端开发工程师“ wendygogogo”的技术分享，作者自评：“在Web前端摸爬滚打的码农一枚，对技术充满热情的菜鸟，致力为手Q的建设添砖加瓦。”

1、GIF格式的历史

GIF ( Graphics Interchange Format )原义是“图像互换格式”，是 CompuServe 公司在1987年开发出的图像文件格式，可以说是互联网界的老古董了。

GIF 格式可以存储多幅彩色图像，如果将这些图像((https://www.qcloud.com/document/ ... w.59167.59167.59167)连续播放出来，就能够组成简单的动画。所以常被用来存储“动态图片”，通常时间短，体积小，内容简单，成像相对清晰，适于在早起的慢速互联网上传播。

本来，随着网络带宽的拓展和视频技术的进步，这种图像已经渐渐失去了市场。可是，近年来流行的表情包文化，让老古董 GIF 图有了新的用武之地。

表情包通常来源于手绘图像，或是视频截取，目前有很多方便制作表情包的小工具。

这类图片通常具有文件体积小，内容简单，兼容性好（无需解码工具即可在各类平台上查看），对画质要求不高的特点，刚好符合 GIF 图的特性。

所以，老古董 GIF 图有了新的应用场景。

学习交流：

- 即时通讯开发交流3群：185926912[推荐]
- 移动端IM开发入门文章：《新手入门一篇就够：从零开发移动端IM》

（本文同步发布于：http://www.52im.net/thread-2032-1-1.html）

2、相关文章

《腾讯技术分享：社交网络图片的带宽压缩技术演进之路》

《QQ音乐团队分享：Android中的图片压缩技术详解（上篇）》

《QQ音乐团队分享：Android中的图片压缩技术详解（下篇）》

《腾讯原创分享(一)：如何大幅提升移动网络下手机QQ的图片传输速度和成功率》

《腾讯技术分享：腾讯是如何大幅降低带宽和网络流量的(图片压缩篇)》

《全面掌握移动端主流图片格式的特点、性能、调优等》

《基于社交网络的Yelp是如何实现海量用户图片的无损压缩的？》

3、技术需求场景

新的应用场景带来新的需求，本文所要探究的技术和要解决的问题来源于某个真实的业务场景下——即为用户批量推送GIF表情包的功能需求。

一批图像大约有200-500张，以缩略图列表的形式展示在客户端。

根据我们使用测试数据进行的统计 GIF 图表情包的尺寸大部分在200k-500k之间，批量推送的一个重要问题就是数据量太大，因此，我们希望能够在列表里展示体积较小的缩略图，用户点击后，再单独拉取原图。

传统的 GIF 缩略图是静态的，通常是提取帧，但在表情包的情形下，这种方式不足以表达出图片中信息。

比如下面的例子：

（左为原始GIF动态图，右为GIF的帧）

帧完全看不出重点啊！

所以，我们希望缩略图也是动态的，并尽可能和原图相似。

对于传统图片来说，文件大小一般和图片分辨率（尺寸）正相关，所以，生成缩略图直观的思路就是缩小尺寸，resize大法。

但是在 GIF 图的场合，这个方式不再高效，因为 GIF 图的文件大小还受到一个重要的因素制约——帧数

以这张柴犬表情为例，原图宽度200，尺寸1.44M，等比缩放到150之后，尺寸还是1.37M，等比缩放到100，相当于尺寸变为原来的四分之一，体积还是749K。

可见，resize大法的压缩率并不理想，收效甚微。

而且，我们所得到的大部分表情图素材，分辨率已经很小了，为了保证客户端展示效果，不能够过度减少尺寸，不然图片会变得模糊。

所以，想要对GIF图进行压缩，只能从别的方向入手。

4、GIF技术详解：拆解GIF格式

4.1 基本

想要压缩一个文件，首先要了解它是如何存储的。毕竟，编程的事，万变不离其宗嘛。

作为一种古老的格式，GIF的存储规则也相对简单，容易理解。

一个GIF文件主要由以下几部分组成：

1）文件头；

2）图像帧信息；

3）注释。

下面我们来分别探究每个部分。

4.2 文件头

GIF格式文件头和一般文件头差别不大，也包含有：

1）格式声明；

2）逻辑屏幕描述块；

3）全局调色盘；

格式声明：

Signature 为“GIF”3 个字符；Version 为“87a”或“89a”3 个字符。

逻辑屏幕描述块：

前两字节为像素单位的宽、高，用以标识图片的视觉尺寸。

Packet里是调色盘信息，分别来看：

1）Global Color Table Flag为全局颜色表标志，即为1时表明全局颜色表有定义；

2）Color Resolution 代表颜色表中每种基色位长（需要+1），为111时，每个颜色用8bit表示，即我们熟悉的RGB表示法，一个颜色三字节；

3）Sort Flag 表示是否对颜色表里的颜色进行优先度排序，把常用的排在前面，这个主要是为了适应一些颜色解析度低的早期渲染器，现在已经很少使用了；

4）Global Color Table 表示颜色表的长度，计算规则是值+1作为2的幂，得到的数字就是颜色表的项数，取大值111时，项数=256，也就是说GIF格式多支持256色的位图，再乘以Color Resolution算出的字节数，就是调色盘的总长度。

这四个字段一起定义了调色盘的信息。

Background color Index 定义了图像透明区域的背景色在调色盘里的索引。

Pixel Aspect Ratio 定义了像素宽高比，一般为0。

什么是调色盘？我们先考虑直观的图像存储方式，一张分辨率M×N的图像，本质是一张点阵，如果采用Web常见的RGB三色方式存储，每个颜色用8bit表示，那么一个点就可以由三个字节（3BYTE = 24bit）表达，比如0xFFFFFF可以表示一个白色像素点，0x000000表示一个黑色像素点。

如果我们采用原始的存储方式，把每个点的颜色值写进文件，那么我们的图像信息就要占据就是3×M×N字节，这是静态图的情况，如果一张GIF图里有K帧，点阵信息就是3×M×N×K。

下面这张兔子snowball的表情有18帧，分辨率是200×196，如果用上述方式计算，文件尺寸至少要689K。

但实际文件尺寸只有192K，它一定经历过什么……

我们可以使用命令行图片处理工具gifsicle来看看它的信息：

gifsicle -I snowball.gif > snowball.txt

我们得到下面的文本：

5.gif 19 images
logical screen 200x196
global color table (128)
background 93
loop forever
extensions 1
+ image #0 200x196 transparent 93
disposal asis delay 0.04s
+ image #1 200x188 transparent 93
disposal asis delay 0.04s
........

可以看到，global color table 128就是它的调色盘，长度128。

为了确认，我们再用二进制查看器查看一下它的文件头：

可以看到Packet里的字段的确符合我们的描述。

在实际情况中，GIF图具有下面的特征：

1）一张图像多只会包含256个RGB值；

2）在一张连续动态GIF里，每一帧之间信息差异不大，颜色是被大量重复使用的。

在存储时，我们用一个公共的索引表，把图片中用到的颜色提取出来，组成一个调色盘，这样，在存储真正的图片点阵时，只需要存储每个点在调色盘里的索引值。

如果调色盘放在文件头，作为所有帧公用的信息，就是公共（全局）调色盘，如果放在每一帧的帧信息中，就是局部调色盘。GIF格式允许两种调色盘同时存在，在没有局部调色盘的情况下，使用公共调色盘来渲染。

这样，我们可以用调色盘里的索引来代表实际的颜色值。

一个256色的调色盘，24bit的颜色只需要用9bit就可以表达了。

调色盘还可以进一步减少，128色，64色，etc，相应的压缩率就会越来越大……

还是以兔子为例，我们还可以尝试指定它的调色盘大小，对它进行重压缩：

gifsicle --colors=64 5.gif > 5-64.gif
gifsicle --colors=32 5.gif > 5-32.gif
gifsicle --colors=16 5.gif > 5-16.gif
gifsicle --colors=2 5.gif > 5-2.gif
......

依然使用gifsicle工具，colors参数就是调色盘的长度，得到的结果：

注意到了2的时候，图像已经变成了黑白二值图。

居然还能看出是个兔子……

所以我们得出结论——如果可以接受牺牲图像的部分视觉效果，就可以通过减色来对图像做进一步压缩。

文件头所包含的对我们有用的信息就是这些了，我们继续往后看。

4.3 帧信息描述

帧信息描述就是每一帧的图像信息和相关标志位，在逐项了解它之前，我们首先探究一下帧的存储方式。

我们已经知道调色盘相关的定义，除了全局调色盘，每一帧可以拥有自己的局部调色盘，渲染顺序更优先，它的定义方式和全局调色盘一致，只是作用范围不同。

直观地说，帧信息应该由一系列的点阵数据组成，点阵中存储着一系列的颜色值。点阵数据本身的存储也是可以进行压缩的，GIF图所采用的是LZW压缩算法。

这样的压缩和图像本身性质无关，是字节层面的，文本信息也可以采用（比如常见的gzip，就是LZW和哈夫曼树的一个实现）。

基于表查询的无损压缩是如何进行的？基本思路是，对于原始数据，将每个次出现的串放在一个串表中，用索引来表示串，后续遇到同样的串，简化为索引来存储（串表压缩法）。

举一个简单的例子来说明LZW算法的核心思路。

有原始数据：ABCCAABCDDAACCDB

可以看出，原始数据里只包括4个字符A,B,C,D,四个字符可以用2bit的索引来表示，0-A,1-B,2-C,3-D。

原始字符串存在重复字符，比如AB，CC，都重复出现过。用4代表AB，5代表CC，上面的字符串可以替代表示为45A4CDDAA5DB

这样就完成了压缩，串长度从16缩减到12。对原始信息来说，LZW压缩是无损的。

除了采用LZW之外，帧信息存储过程中还采取了一些和图像相关的优化手段，以减小文件的体积，直观表述就是——公共区域排除、透明区域叠加

这是ImageMagick官方范例里的一张GIF图：

根据直观感受，这张图片的每一帧应该是这样的：

但实际上，进行过压缩优化的图片，每一帧是这样的：

首先，对于各帧之间没有变化的区域进行了排除，避免存储重复的信息。

其次，对于需要存储的区域做了透明化处理，只存储有变化的像素，没变化的像素只存储一个透明值。

这样的优化在表情包中也是很常见的，举个栗子：

上面这个表情的文件大小是278KB，帧数是14

我们试着用工具将它逐帧拆开，这里使用另一个命令行图像处理工具ImageMagick：

gm convert source.gif target_%d.gif

可以看出，除了帧之外，后面的帧都做了不同程度的处理，文件体积也比帧小。

这样的压缩处理也是无损的，带来的压缩比和原始图像的具体情况有关，重复区域越多，压缩效果越好，但相应地，也需要存储一些额外的信息，来告诉引擎如何渲染。

具体包括：

帧数据长宽分辨率，相对整图的偏移位置；
透明彩色索引——填充透明点所用的颜色；
Disposal Method——定义该帧对于上一帧的叠加方式；
Delay Time——定义该帧播放时的停留时间。

其中值得额外说明的是Disposal Method，它定义的是帧之间的叠加关系，给定一个帧序列，我们用怎样的方式把它们渲染成起来。

详细参数定义，可以参考该网站的范例：http://www.theimage.com/animation/pages/disposal.html

Disposal Method和透明颜色一起，定义了帧之间的叠加关系。在实际使用中，我们通常把帧当做基帧（background），其余帧向前一帧对齐的方式来渲染，这里不再赘述。

理解了上面的内容，我们再来看帧信息的具体定义，主要包括：

1）帧分隔符；

2）帧数据说明；

3）点阵数据（它存储的不是颜色值，而是颜色索引）；

4）帧数据扩展(只有89a标准支持）。

1和3比较直观，第二部分和第四部分则是一系列的标志位，定义了对于“帧”需要说明的内容。

帧数据说明：

除了上面说过的字段之外，还多了一个Interlace Flag，表示帧点阵的存储方式，有两种，顺序和隔行交错，为 1 时表示图像数据是以隔行方式存放的。初 GIF 标准设置此标志的目的是考虑到通信设备间传输速度不理想情况下，用这种方式存放和显示图像，就可以在图像显示完成之前看到这幅图像的概貌，慢慢的变清晰，而不觉得显示时间过长。

帧数据扩展是89a标准增加的，主要包括四个部分。

1）程序扩展结构（Application Extension）：主要定义了生成该gif的程序相关信息

2）注释扩展结构（Comment Extension）：一般用来储存图片作者的签名信息

3）图形控制扩展结构（Graphic Control Extension）：这部分对图片的渲染比较重要

除了前面说过的Dispose Method、Delay、Background Color之外，User Input用来定义是否接受用户输入后再播放下一帧，需要图像解码器对应api的配合，可以用来实现一些特殊的交互效果。

4）平滑文本扩展结构（Plain Text Control Extension）：

89a标准允许我们将图片上的文字信息额外储存在扩展区域里，但实际渲染时依赖解码器的字体环境，所以实际情况中很少使用。

以上扩展块都是可选的，只有Label置位的情况下，解码器才会去渲染。

5、将技术理论付诸应用——给表情包减负

说完了基本原理，用刚才了解到的技术细节来分析一下我们的实际问题。

给大量表情包生成缩略图，在不损耗原画质的前提下，尽可能减少图片体积，节省用户流量。

之前说过，单纯依靠resize大法不能满足我们的要求，没办法，只能损耗画质了。

主要有两个思路：减少颜色和减少帧数：

1）减少颜色——图片情况各异，标准难以控制，而且会造成缩略图和原图视觉差异比较明显。

2）减少帧数——通过提取一些间隔帧，比如对于一张10帧的动画，提取其中的提取1,3,5,7,9帧。来减少图片的整体体积，似乎更可行。

先看一个成果，就拿文章开头的图做栗子吧：

看上去连贯性不如以前，但是差别不大，作为缩略图的视觉效果可以接受，由于帧数减小，体积也可以得到明显的优化。体积从428K缩到了140K。

但是，在开发初期，我们尝试暴力间隔提取帧，把帧重新连接压成新的GIF图，这时，会得到这样的图片：

主要有两个问题：

1）帧数过快；

2）能看到明显的残留噪点。

分析我们上面的原理，不难找到原因，正是因为大部分GIF存储时采用了公共区域排除和透明区域叠加的优化，如果我们直接间隔抽帧，再拼起来，就破坏了原来的叠加规则，不该露出来的帧露出来了，所以才会产生噪点。

所以，我们首先要把原始信息恢复出来。

两个命令行工具，gifsicle和ImageMagick都提供这样的命令：

gm convert -coalesce source.gif target_%d.gif
gifsicle --unoptimize source.gif > target.gif

还原之后抽帧，重建新的GIF，就可以解决问题2了。

注意重建的时候，可以应用工具再进行对透明度和公共区域的优化压缩。

至于问题1，也是因为我们没有对帧延迟参数Delay Time做处理，直接取原帧的参数，帧数减少了，速度一定会加快。

所以，我们需要把抽去的连续帧的总延时加起来，作为新的延迟数据，这样可以保持缩略图和原图频率一致，看起来不会太过鬼畜，也不会太过迟缓。

提取出每一帧的delay信息，也可以通过工具提供的命令来提取：

gm identify -verbose source.gif
gifsicle -I source.gif

在实际应用中，抽帧的间隔gap是根据总帧数frame求出的：

frame<8 gap=1
frame>40 gap=5

delay值的计算还做了归一化处理，如果新生成缩略图的帧间隔平均值大于200ms，则统一加速到均值200ms，同时保持原有节奏，这样可以避免极端情况下，缩略图过于迟缓。

6、具体的代码实践

本文介绍的算法已经应用于手Q热图功能的后台管理系统等，使用Nodejs编写。ImageMagick是一个较为常用的图像处理工具，除了gif还可以处理各类图像文件，有node封装的版本可以使用。gifsicle只有可执行版本，在服务器上重新编译源码后，采用spawn调起子进程的方式实现。

ImageMagick对于图片信息的解析较为方便，可以直接得到结构化信息。gifsicle支持命令管道级联，处理图片速度较快。实际生产过程中，同时采用了两个工具。

const {spawn} = require('child_process');
const image = gm("src2/"+file)
image.identify((err, val) => {
if(!val.Scene){
console.log(file+" has err："+err)
return
}
let frames_count = val.Scene[0].replace(/\d* of /, '') * 1
let gap = countGap(frames_count)

let delayList = [];
let totaldelay = 0
if(val.Delay!=undefined){
let iii
for(iii = 0; iii < val.Delay.length; iii ++) {
delayList[iii] = val.Delay[iii].replace(/x\d*/, '') * 1
totaldelay+=delayList[iii]
}
for(; iii < val.Scene.length; iii ++) {
delayList[iii] = 8
totaldelay+=delayList[iii]
}
}else{
for(let iii = 0; iii < val.Scene.length; iii ++) {
delayList[iii] = 8
totaldelay+=delayList[iii]
}
}
let totalFrame = parseInt(frames_count/gap)
//判断是否速度过慢，需要进行归一加速处理
if(totaldelay/totalFrame>20){
let scale =(totalFrame*1.0*20)/totaldelay
for(let iii = 0; iii < delayList.length; iii ++) {
delayList[iii] = parseInt(delayList[iii] * scale)
}
}

let params=[]
params.push("--colors=255")
params.push("--unoptimize")
params.push("src2/"+file)

let tempdelay = delayList[0]
for(let iii = 1; iii < frames_count; iii ++) {
if(i%gap==0){
params.push("-d"+tempdelay)
params.push("#"+(iii-gap))
tempdelay=0
}
tempdelay += delayList[iii]
}
params.push("--optimize=3")
params.push("-o")
params.push("src2/"+file+"gap-keepdelay.gif")
spawn("gifsicle", params, { stdio: 'inherit'})
})

测试时，采用该算法随机选择50张gif图进行压缩，原尺寸15.5M被压缩到6.0M，压缩比38%，不过由于该算法的压缩比率和具体图片质量、帧数、图像特征有关，测试数据仅供参考。

本文到这里就结束了，原来看似简单的表情包，也有不少文章可做。

谢谢观看，希望文中介绍的知识和研究方法对你有所启发。

附录：来自即时通讯大厂的分享

[1] QQ、微信团队原创技术文章：
《微信朋友圈千亿访问量背后的技术挑战和实践总结》
《腾讯技术分享：腾讯是如何大幅降低带宽和网络流量的(图片压缩篇)》
《腾讯技术分享：腾讯是如何大幅降低带宽和网络流量的(音视频技术篇)》
《微信团队分享：微信移动端的全文检索多音字问题解决方案》
《腾讯技术分享：Android版手机QQ的缓存监控与优化实践》
《微信团队分享：iOS版微信的高性能通用key-value组件技术实践》
《微信团队分享：iOS版微信是如何防止特殊字符导致的炸群、APP崩溃的？》
《腾讯技术分享：Android手Q的线程死锁监控系统技术实践》
《微信团队原创分享：iOS版微信的内存监控系统技术实践》
《让互联网更快：新一代QUIC协议在腾讯的技术实践分享》
《iOS后台唤醒实战：微信收款到账语音提醒技术总结》
《腾讯技术分享：社交网络图片的带宽压缩技术演进之路》
《微信团队分享：视频图像的超分辨率技术原理和应用场景》
《微信团队分享：微信每日亿次实时音视频聊天背后的技术解密》
《QQ音乐团队分享：Android中的图片压缩技术详解（上篇）》
《QQ音乐团队分享：Android中的图片压缩技术详解（下篇）》
《腾讯团队分享：手机QQ中的人脸识别酷炫动画效果实现详解》
《腾讯团队分享 ：一次手Q聊天界面中图片显示bug的追踪过程分享》
《微信团队分享：微信Android版小视频编码填过的那些坑》
《微信手机端的本地数据全文检索优化之路》
《企业微信客户端中组织架构数据的同步更新方案优化实战》
《微信团队披露：微信界面卡死超级bug“15。。。。”的来龙去脉》
《QQ 18年：解密8亿月活的QQ后台服务接口隔离技术》
《月活8.89亿的超级IM微信是如何进行Android端兼容测试的》
《以手机QQ为例探讨移动端IM中的“轻应用”》
《一篇文章get微信开源移动端数据库组件WCDB的一切！》
《微信客户端团队负责人技术访谈：如何着手客户端性能监控和优化》
《微信后台基于时间序的海量数据冷热分级架构设计实践》
《微信团队原创分享：Android版微信的臃肿之困与模块化实践之路》
《微信后台团队：微信后台异步消息队列的优化升级实践分享》
《微信团队原创分享：微信客户端SQLite数据库损坏修复实践》
《腾讯原创分享(一)：如何大幅提升移动网络下手机QQ的图片传输速度和成功率》
《腾讯原创分享(二)：如何大幅压缩移动网络下APP的流量消耗（下篇）》
《腾讯原创分享(三)：如何大幅压缩移动网络下APP的流量消耗（上篇）》
《微信Mars：微信内部正在使用的网络层封装库，即将开源》
《如约而至：微信自用的移动端IM网络层跨平台组件库Mars已正式开源》
《开源libco库：单机千万连接、支撑微信8亿用户的后台框架基石 [源码下载]》
《微信新一代通信安全解决方案：基于TLS1.3的MMTLS详解》
《微信团队原创分享：Android版微信后台保活实战分享(进程保活篇)》
《微信团队原创分享：Android版微信后台保活实战分享(网络保活篇)》
《Android版微信从300KB到30MB的技术演进(PPT讲稿) [附件下载]》
《微信团队原创分享：Android版微信从300KB到30MB的技术演进》
《微信技术总监谈架构：微信之道——大道至简(演讲全文)》
《微信技术总监谈架构：微信之道——大道至简(PPT讲稿) [附件下载]》
《如何解读《微信技术总监谈架构：微信之道——大道至简》》
《微信海量用户背后的后台系统存储架构(视频+PPT) [附件下载]》
《微信异步化改造实践：8亿月活、单机千万连接背后的后台解决方案》
《微信朋友圈海量技术之道PPT [附件下载]》
《微信对网络影响的技术试验及分析（论文全文）》
《一份微信后台技术架构的总结性笔记》
《架构之道：3个程序员成就微信朋友圈日均10亿发布量[有视频]》
《快速裂变：见证微信强大后台架构从0到1的演进历程（一）》
《快速裂变：见证微信强大后台架构从0到1的演进历程（二）》
《微信团队原创分享：Android内存泄漏监控和优化技巧总结》
《全面总结iOS版微信升级iOS9遇到的各种“坑”》
《微信团队原创资源混淆工具：让你的APK立减1M》
《微信团队原创Android资源混淆工具：AndResGuard [有源码]》
《Android版微信安装包“减肥”实战记录》
《iOS版微信安装包“减肥”实战记录》
《移动端IM实践：iOS版微信界面卡顿监测方案》
《微信“红包照片”背后的技术难题》
《移动端IM实践：iOS版微信小视频功能技术方案实录》
《移动端IM实践：Android版微信如何大幅提升交互性能（一）》
《移动端IM实践：Android版微信如何大幅提升交互性能（二）》
《移动端IM实践：实现Android版微信的智能心跳机制》
《移动端IM实践：WhatsApp、Line、微信的心跳策略分析》
《移动端IM实践：谷歌消息推送服务(GCM)研究（来自微信）》
《移动端IM实践：iOS版微信的多设备字体适配方案探讨》
《信鸽团队原创：一起走过 iOS10 上消息推送(APNS)的坑》
《腾讯信鸽技术分享：百亿级实时消息推送的实战经验》
《IPv6技术详解：基本概念、应用现状、技术实践（上篇）》
《IPv6技术详解：基本概念、应用现状、技术实践（下篇）》
《腾讯TEG团队原创：基于MySQL的分布式数据库TDSQL十年锻造经验分享》
《微信多媒体团队访谈：音视频开发的学习、微信的音视频技术和挑战等》
《了解iOS消息推送一文就够：史上全iOS Push技术详解》
《腾讯技术分享：微信小程序音视频技术背后的故事》
《腾讯架构师干货总结：一文读懂大型分布式系统设计的方方面面》
《微信多媒体团队梁俊斌访谈：聊一聊我所了解的音视频技术》
《腾讯音视频实验室：使用AI黑科技实现超低码率的高清实时视频聊天》
《腾讯技术分享：微信小程序音视频与WebRTC互通的技术思路和实践》
《手把手教你读取Android版微信和手Q的聊天记录(仅作技术研究学习)》
《微信技术分享：微信的海量IM聊天消息序列号生成实践（算法原理篇）》
《微信技术分享：微信的海量IM聊天消息序列号生成实践（容灾方案篇）》
《腾讯技术分享：GIF动图技术详解及手机QQ动态表情压缩技术实践》
>> 更多同类文章 ……
[2] 有关QQ、微信的技术故事：
《技术往事：微信估值已超5千亿，雷军曾有机会收编张小龙及其Foxmail》
《QQ和微信凶猛成长的背后：腾讯网络基础架构的这些年》
《闲话即时通讯：腾讯的成长史本质就是一部QQ成长史》
《2017微信数据报告：日活跃用户达9亿、日发消息380亿条》
《腾讯开发微信花了多少钱？技术难度真这么大？难在哪？》
《技术往事：创业初期的腾讯——16年前的冬天，谁动了马化腾的代码》
《技术往事：史上全QQ图标变迁过程，追寻IM巨人的演进历史》
《技术往事：“QQ群”和“微信红包”是怎么来的？》
《开发往事：深度讲述2010到2015，微信一路风雨的背后》
《开发往事：微信千年不变的那张闪屏图片的由来》
《开发往事：记录微信3.0版背后的故事（距微信1.0发布9个月时）》
《一个微信实习生自述：我眼中的微信开发团队》
《揭秘：QQ实时视频聊天背后的神秘组织》
《为什么说即时通讯社交APP创业就是一个坑？》
《微信七年回顾：历经多少质疑和差评，才配拥有今天的强大》
《前创始团队成员分享：盘点微信的前世今生——微信成功的必然和偶然》
《即时通讯创业必读：解密微信的产品定位、创新思维、设计法则等》
《QQ的成功，远没有你想象的那么顺利和轻松》
《QQ现状深度剖析：你还认为QQ已经被微信打败了吗？》
《[技术脑洞] 如果把14亿中国人拉到一个微信群里技术上能实现吗？》
>> 更多同类文章 ……

（本文同步发布于：http://www.52im.net/thread-2032-1-1.html）