React Query中Promise作为查询键的注意事项
2025-05-01 03:00:41作者:蔡怀权
理解查询键的序列化机制
React Query作为一款优秀的状态管理库,其核心功能之一就是基于查询键(queryKey)进行数据缓存。然而,当开发者尝试将Promise对象直接作为查询键的一部分时,会遇到一个常见但容易被忽视的问题:所有不同的Promise对象最终都会被序列化为相同的空对象{}。
问题现象分析
在实际开发中,我们可能会编写类似下面的自定义Hook:
import { useQuery } from "@tanstack/react-query";
export const usePromise = <T>(promise: Promise<T>) => {
return useQuery({
queryKey: ["promise", promise],
queryFn: () => promise,
}).data;
};
这种情况下,无论传入什么Promise对象,React Query内部都会将它们序列化为{},导致缓存失效。这是因为React Query默认要求查询键必须是可JSON序列化的数据结构。
技术原理深入
React Query对查询键的处理遵循以下原则:
- 序列化要求:查询键需要能够被JSON.stringify正确处理,这是为了支持SSR、持久化存储等场景
- 对象处理:对于普通对象,React Query会进行浅比较;但对于Promise这类特殊对象,序列化后会丢失其唯一性特征
- 哈希机制:默认情况下,React Query不提供对象实例级别的哈希功能
解决方案推荐
官方推荐方案
React Query官方建议通过queryKeyHashFn来自定义哈希函数:
const queryClient = new QueryClient({
defaultOptions: {
queries: {
queryKeyHashFn: (key) => {
// 自定义哈希逻辑
return JSON.stringify(key, customReplacer);
},
},
},
});
替代实现方案
如果确实需要使用Promise作为查询依据,可以考虑以下模式:
export const usePromise = <T>(promise: Promise<T>, id: string) => {
return useQuery({
queryKey: ["promise", id], // 使用唯一ID代替Promise本身
queryFn: () => promise,
}).data;
};
高级哈希方案
对于需要保持对象实例唯一性的场景,可以实现WeakMap为基础的ID生成器:
const createIdGenerator = () => {
let counter = 0;
const map = new WeakMap<WeakKey, number>();
return (obj: WeakKey) => {
if (!map.has(obj)) {
map.set(obj, ++counter);
}
return map.get(obj)!;
};
};
const getObjectId = createIdGenerator();
最佳实践建议
- 避免直接使用非序列化对象:尽量不要将函数、Promise等不可序列化对象放入查询键
- 使用唯一标识符:为动态内容提供稳定的ID或标识符
- 考虑查询键设计:查询键应该反映数据的唯一性特征,而不仅仅是技术实现细节
- 文档参考:详细阅读React Query文档中关于查询键序列化的说明
总结
React Query的查询键机制设计为可序列化结构是有其深层考虑的,主要是为了支持更广泛的用例和更好的可预测性。理解这一设计原则后,开发者可以通过合理的键设计和自定义哈希函数来满足各种复杂场景的需求,同时保持应用的性能和稳定性。
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
412
3.17 K
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
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146