Undici 请求延迟测量的技术实现方案
2025-06-01 03:47:34作者:乔或婵
在 Node.js 生态系统中,Undici 作为一款高效的 HTTP/1.1 客户端库,被广泛应用于各种网络请求场景。本文将深入探讨如何在 Undici 中准确测量请求执行时间的技术实现方案。
测量请求延迟的挑战
在实际开发中,我们经常需要测量完整的 HTTP 请求生命周期时间,包括连接建立、请求体写入、等待响应、读取响应头和读取响应体等阶段。在 Undici 中实现这一目标面临几个技术挑战:
- 需要区分全局测量和局部测量
- 需要处理请求重试的情况
- 需要准确捕获各个阶段的耗时
- 需要关联请求开始和结束的事件
三种测量方案对比
1. 诊断通道方案
诊断通道(Diagnostic Channel)可以捕获所有 Undici 请求,但这种方案过于全局化,无法针对特定请求进行测量,且会捕获应用中所有第三方库的请求,不适合精细化的性能监控需求。
2. 拦截器方案
拦截器(Interceptor)方案通过在请求前后记录时间戳来测量耗时:
function createMetricsInterceptor() {
return async (dispatch) => {
return (opts, handler) => {
const start = performance.now();
const res = await dispatch(opts, handler);
const totalTime = performance.now() - start;
return res;
};
};
}
这种方案的局限性在于:
- 包含重试时间
- 不包含响应体读取时间
- 无法细分请求各阶段耗时
3. 请求处理器方案
请求处理器(Request Handler)方案是最为推荐的实现方式,它利用 Undici 的生命周期钩子函数来精确测量各阶段耗时:
class RequestMetricsHandler {
constructor() {
this.startTime = 0;
this.endTime = 0;
this.errored = false;
}
onConnect() {
this.startTime = Date.now();
}
onHeaders(status, headers) {
const timestamp = Date.now();
console.log('响应头耗时', timestamp - this.startTime, 'ms');
}
onComplete() {
this.endTime = Date.now();
console.log('请求总耗时', this.endTime - this.startTime, 'ms');
}
onError(err) {
this.endTime = Date.now();
console.log('请求出错总耗时', this.endTime - this.startTime, 'ms');
}
}
技术实现要点
-
请求处理器生命周期:每个请求处理器实例与单个请求绑定,其内部状态变量自然关联到该请求的生命周期。
-
精确阶段测量:
onConnect:记录连接建立开始时间onHeaders:测量到收到响应头的时间onComplete/onError:记录请求最终完成时间
-
状态管理:通过类实例变量保存测量相关的状态,确保在请求的各个阶段都能访问相同的上下文。
最佳实践建议
- 对于需要细粒度测量的场景,推荐使用请求处理器方案
- 考虑将测量结果输出到监控系统而非仅打印日志
- 可以扩展处理器类,加入更多性能指标如DNS查询时间、TLS握手时间等
- 在生产环境中,考虑采样测量而非全量记录以减少性能开销
通过合理利用 Undici 提供的请求处理器机制,开发者可以实现精确到各个阶段的请求性能监控,为系统优化提供可靠的数据支持。
登录后查看全文
热门项目推荐
相关项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
最新内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
532
3.75 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
336
178
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
886
596
Ascend Extension for PyTorch
Python
340
405
暂无简介
Dart
772
191
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
986
247
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
416
4.21 K
React Native鸿蒙化仓库
JavaScript
303
355