Apollo Client 中 "Cannot read properties of undefined" 错误分析与解决方案
2025-05-11 11:20:11作者:柯茵沙
问题背景
在使用 Apollo Client 进行 GraphQL 查询时,开发者可能会遇到一个棘手的运行时错误:"Cannot read properties of undefined (reading 'data')"。这个错误通常出现在 useQuery 或 useLazyQuery 钩子中,特别是在处理异步数据获取时。
错误根源分析
根据多个开发者的报告和讨论,这个错误主要发生在以下几种场景:
-
Promise 处理不当:当使用
fromPromise工具函数时,如果传入的 Promise 返回了undefined值,就会导致后续处理失败。 -
查询中断与重试:在查询过程中如果发生中断(如用户快速切换页面或发起新查询),可能导致结果对象未被正确初始化。
-
认证令牌时序问题:特别是在登录流程中,如果认证令牌的传递时机不当,可能导致查询在令牌未就绪时就已发起。
技术细节
Apollo Client 内部处理查询结果时,会调用 toQueryResult 函数将原始响应转换为可用的查询结果。这个转换过程假设响应对象总是存在的,但实际开发中可能出现以下情况:
- 查询被取消或中断
- 网络请求失败但错误处理不完善
- 异步操作返回了意外的
undefined值
在 Apollo Client 3.11.x 版本中,虽然相关代码已经过重构,但仍有可能在某些边缘情况下遇到此问题。
解决方案与实践建议
1. 升级到最新版本
首先确保使用的是 Apollo Client 的最新稳定版本。核心团队已经对相关代码进行了多次改进和加固。
2. 检查 Promise 处理
确保所有传递给 fromPromise 的 Promise 都有正确的返回值处理:
// 错误示例 - 可能返回 undefined
const promise = someAsyncOperation().then(data => {
if (!data) return; // 这里返回了 undefined
return processData(data);
});
// 正确做法 - 始终返回明确的值
const safePromise = someAsyncOperation().then(data => {
if (!data) return {}; // 返回空对象而非 undefined
return processData(data);
});
3. 认证令牌管理优化
对于依赖认证令牌的场景,确保令牌在查询发起前已完全就绪:
// 使用 useMemo 确保令牌稳定
const token = useMemo(() => getAuthToken(), [authState]);
// 在创建 Apollo Client 时确保令牌可用
const client = new ApolloClient({
link: new HttpLink({
uri: API_URL,
headers: {
authorization: token || '', // 确保不会传递 undefined
},
}),
});
4. 错误边界处理
为查询添加完善的错误处理逻辑:
const { loading, error, data } = useQuery(MY_QUERY, {
onError: (err) => {
console.error('Query failed:', err);
// 执行恢复逻辑或显示用户友好的错误信息
},
});
5. 查询取消处理
如果应用需要支持查询取消,确保正确处理取消后的状态:
const [executeQuery, { loading, data, error }] = useLazyQuery(MY_QUERY);
const handleQuery = async () => {
try {
const result = await executeQuery();
// 处理结果
} catch (err) {
if (err.name === 'AbortError') {
console.log('Query was cancelled');
} else {
// 处理其他错误
}
}
};
最佳实践总结
- 防御性编程:始终假设外部依赖可能返回意外值,添加适当的检查逻辑。
- 状态管理:确保应用状态(如认证令牌)在发起查询前已完全就绪。
- 错误处理:为所有异步操作添加完善的错误处理逻辑。
- 版本控制:保持 Apollo Client 及相关依赖为最新版本。
- 监控与日志:在生产环境添加适当的错误监控和日志记录,便于追踪偶发问题。
通过以上措施,开发者可以显著降低遇到此类错误的概率,并提高应用的健壮性和用户体验。
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