Retrofit中异常处理时获取请求URL和方法的最佳实践
2025-05-02 05:06:45作者:钟日瑜
在使用Retrofit进行网络请求时,开发者经常需要处理各种异常情况。一个常见的需求是当请求失败时,能够获取到请求的URL端点和方法类型(GET/POST等),以便进行日志记录或错误分析。本文将深入探讨在Retrofit中实现这一需求的最佳实践。
问题背景
在Kotlin协程环境下,我们通常会使用挂起函数来封装Retrofit的API调用。一个典型的封装模式如下:
suspend fun <T : BaseResponse> safeCallApi(
api: suspend () -> Response<T>
): Result<T> {
return try {
val response = api()
// 处理成功响应
} catch (e: Exception) {
// 需要获取URL和方法信息
Result.failure(UnknownException(e))
}
}
当异常发生时,我们希望能够获取到请求的URL和方法类型,但直接通过异常对象很难获取这些信息。
解决方案
1. 使用Call对象替代挂起函数
Retrofit的Call对象包含了完整的请求信息。我们可以修改API定义,使其返回Call对象而非直接返回Response:
interface MyApiService {
@GET("users")
fun getUsers(): Call<UserResponse>
}
然后在封装函数中,我们可以通过Call对象获取请求信息:
suspend fun <T> safeCallApi(api: () -> Call<T>): Result<T> {
val call = api()
try {
val response = call.awaitResponse()
// 处理响应
} catch (e: Exception) {
val url = call.request().url.toString()
val method = call.request().method
// 记录日志或处理异常
}
}
2. 异常类型分析
Retrofit可能抛出两种主要类型的异常:
- HttpException:当服务器返回非成功状态码时抛出,包含Response对象
- IOException:网络连接问题时抛出,不包含请求信息
对于HttpException,我们可以通过response()方法获取请求信息:
catch (e: HttpException) {
val request = e.response()?.raw()?.request
val url = request?.url?.toString()
val method = request?.method
}
但对于IOException,我们只能通过预先保存的Call对象来获取请求信息。
实践建议
-
统一封装网络请求:建议在项目基础架构层统一封装网络请求处理,集中记录请求和响应信息。
-
完整的日志记录:除了URL和方法,还可以记录请求头、请求体、响应时间等信息。
-
错误分类处理:根据不同的异常类型和请求信息,实现不同的错误处理策略。
-
性能考虑:在记录日志时注意性能影响,可以考虑异步记录或采样记录。
完整示例
suspend fun <T> safeCallApi(api: () -> Call<T>): Result<T> {
val call = api()
val startTime = System.currentTimeMillis()
return try {
val response = call.awaitResponse()
val duration = System.currentTimeMillis() - startTime
logRequest(call.request(), duration, response.code())
if (response.isSuccessful) {
response.body()?.let { Result.success(it) } ?: Result.failure(NullBodyException())
} else {
Result.failure(ServerException(response.code()))
}
} catch (e: Exception) {
logError(call.request(), e)
Result.failure(NetworkException(e))
}
}
private fun logRequest(request: Request, duration: Long, statusCode: Int) {
// 实现请求日志记录
}
private fun logError(request: Request, e: Exception) {
// 实现错误日志记录
}
通过这种方式,我们可以确保在任何异常情况下都能获取到完整的请求信息,为问题排查和系统监控提供有力支持。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
407
3.14 K
Ascend Extension for PyTorch
Python
226
252
暂无简介
Dart
673
160
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++
664
319
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
658
React Native鸿蒙化仓库
JavaScript
262
326
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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868