将Shiny的app.R拆分为server.R与ui.R及数据共享最佳实践咨询

核心原则：避免重复读取，统一管理共享数据 #

• 用global.R统一加载静态共享数据
  所有不需要动态更新的共享数据（比如你的mod.selection），都放在global.R脚本里读取。这个文件会在Shiny app启动时优先执行，里面定义的变量会自动被ui.R和server.R访问，完全不需要重复读取。
  示例代码：

  # global.R
  # 读取所有静态共享数据
  mod.selection <- read.csv("path/to/your/mod_selection.csv")
  other_large_data <- readRDS("path/to/large_data.rds")
  

  之后在ui.R里直接用mod.selection生成输入控件，比如：

  # ui.R
  selectInput("mod_choice", "选择模块", choices = mod.selection$name)
  

  在server.R里也可以直接调用这些变量做计算。

• 动态数据用反应式对象传递
  如果数据需要根据用户操作动态更新（比如上传文件、筛选条件变化），不能放在global.R里，要在server.R中用reactive()定义，再通过renderUI()传递给ui.R。
  示例代码：

  # server.R
  dynamic_mod_data <- reactive({
    # 这里写动态生成/读取数据的逻辑，比如根据用户输入筛选
    input$upload_file %>%
      filter(category == input$selected_cat)
  })
  
  output$dynamic_select <- renderUI({
    selectInput("dynamic_mod", "动态选择模块", choices = dynamic_mod_data()$name)
  })
  

  然后在ui.R里用uiOutput("dynamic_select")来渲染这个动态控件。

• 大数据量的优化技巧
  针对超大文件，优先用二进制格式（比如RDS）存储，读取速度比CSV快很多；也可以用缓存机制避免重复加载：

  # global.R 里的缓存加载逻辑
  if (!exists("large_data")) {
    # 只在首次启动时加载，之后直接用内存中的数据
    large_data <- readRDS("path/to/large_data.rds")
  }
  

  或者用memoise包缓存读取函数，避免重复IO操作：

  # global.R
  library(memoise)
  load_large_data <- memoise(function() {
    readRDS("path/to/large_data.rds")
  })
  # 之后在server/ui里调用load_large_data()，重复调用会直接取缓存
  

• 绝对不要在ui.R和server.R里分别读取数据
  重复读取会导致内存占用翻倍，启动时间变长，尤其是大数据场景，完全没必要。统一管理才是高效的做法。

内容的提问来源于stack exchange，提问作者NAS_2339