Flet项目中异步函数调用问题的分析与解决
前言
在使用Flet框架开发Python应用时,开发者经常会遇到异步编程的问题。本文将通过一个典型的案例,分析在Flet视图中调用异步函数时出现的常见错误及其解决方案。
问题现象
在开发一个供应商列表视图时,开发者尝试从FastAPI后端获取数据,但遇到了以下错误:
RuntimeWarning: coroutine 'Supplier_List_View.load_suppliers' was never awaited
这表明代码中创建了一个协程但没有正确等待它执行完成,导致异步函数没有被实际调用。
问题分析
错误根源
-
构造函数中的直接调用:在
Supplier_List_View类的__init__方法中直接调用了异步函数load_suppliers(),而没有使用await关键字。 -
生命周期方法使用不当:虽然代码中实现了
did_mount方法并正确使用了page.run_task来调度异步任务,但构造函数中的直接调用仍然会导致问题。 -
变量名不一致:在
load_suppliers方法中,代码尝试访问self.countries,但这个变量名与类中定义的self.suppliers不一致。
解决方案
1. 移除构造函数中的直接调用
正确的做法是完全移除__init__方法中的self.load_suppliers()调用,因为视图初始化时可能还没有完全准备好执行异步操作。
2. 使用正确的生命周期方法
Flet视图提供了did_mount生命周期方法,这是执行初始化异步操作的理想位置。代码中已经正确实现了这一点:
def did_mount(self):
self.page.run_task(self.load_suppliers) # 正确调度协程
3. 修复变量名不一致问题
确保在整个类中使用一致的变量名。将self.countries统一改为self.suppliers:
self.search_field.suggestions = [
ft.AutoCompleteSuggestion(value=s["name"]) for s in self.suppliers
]
最佳实践建议
-
异步操作的位置:在Flet中,所有涉及网络请求或耗时操作的代码都应该放在异步函数中,并通过
page.run_task或asyncio.create_task来调度执行。 -
视图生命周期:利用Flet提供的生命周期方法(如
did_mount)来执行初始化操作,而不是在构造函数中直接执行。 -
错误处理:在异步函数中添加完善的错误处理逻辑,确保应用在出现异常时能够优雅降级。
-
状态管理:对于从API获取的数据,考虑使用状态管理方案,避免直接操作UI控件。
总结
在Flet应用开发中正确处理异步操作是保证应用稳定性的关键。通过遵循生命周期方法的正确使用方式、确保变量命名一致性以及采用合理的异步编程模式,可以避免这类常见问题。开发者应当特别注意,在视图初始化阶段不要直接调用异步函数,而应该通过Flet提供的生命周期钩子来执行这些操作。
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