WebApiClient中实现请求失败自动重试机制的最佳实践
2025-07-04 21:29:57作者:何将鹤
在基于WebApiClient开发API客户端时,我们经常会遇到需要处理特定错误码并自动重试请求的场景。本文将深入探讨如何利用WebApiClient的特性实现这一功能。
核心需求分析
在实际业务中,常见的重试场景包括:
- 访问令牌(Token)过期时自动刷新并重试
- 服务端返回限流错误码时延迟重试
- 网络抖动导致的临时失败自动重试
解决方案架构
WebApiClient提供了完善的拦截器机制,我们可以通过实现IApiActionFilter接口来创建自定义的请求过滤器。以下是实现自动重试的核心步骤:
- 创建重试过滤器:
public class RetryFilter : Attribute, IApiActionFilter
{
public async Task OnRequestAsync(ApiRequestContext context)
{
// 请求前逻辑
}
public async Task OnResponseAsync(ApiResponseContext context)
{
if (NeedRetry(context))
{
// 执行重试逻辑
await RetryRequestAsync(context);
}
}
}
- 判断重试条件:
private bool NeedRetry(ApiResponseContext context)
{
// 解析响应内容
var json = context.ResponseMessage.Content.ReadAsStringAsync().Result;
var result = JsonConvert.DeserializeObject<ApiResult>(json);
// 检查错误码
return result.Code == 401; // Token过期
}
- 实现重试逻辑:
private async Task RetryRequestAsync(ApiResponseContext context)
{
// 1. 刷新Token
var newToken = await RefreshTokenAsync();
// 2. 更新请求头
context.HttpApiConfig.HttpClient.DefaultRequestHeaders
.Authorization = new AuthenticationHeaderValue("Bearer", newToken);
// 3. 重新发送请求
var response = await context.HttpApiClient.SendAsync(
context.ApiActionDescriptor,
context.HttpApiConfig,
context.RequestMessage);
// 4. 更新响应上下文
context.ResponseMessage = response;
}
高级配置选项
对于更复杂的场景,我们可以扩展重试策略:
- 指数退避重试:
private async Task RetryWithBackoff(ApiResponseContext context, int retryCount)
{
var delay = (int)Math.Pow(2, retryCount) * 100;
await Task.Delay(delay);
await RetryRequestAsync(context);
}
- 最大重试次数限制:
[AttributeUsage(AttributeTargets.Method)]
public class RetryFilter : Attribute, IApiActionFilter
{
public int MaxRetryCount { get; set; } = 3;
// 在OnResponseAsync中使用计数器控制重试次数
}
实际应用示例
将重试过滤器应用到API接口:
public interface IUserApi : IHttpApi
{
[HttpGet("/api/users")]
[RetryFilter(MaxRetryCount = 3)]
ITask<List<User>> GetUsersAsync();
}
最佳实践建议
- 幂等性考虑:确保重试的操作是幂等的,避免重复提交导致数据不一致
- 性能监控:记录重试次数和延迟时间,用于性能分析和优化
- 熔断机制:当重试失败达到阈值时,应触发熔断避免系统雪崩
- 差异化处理:根据不同的错误码采用不同的重试策略
通过以上实现,我们可以构建出健壮的API客户端,自动处理各种临时性故障,提升系统的稳定性和用户体验。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
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
9
1
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217