Apollo Kotlin 中如何正确处理 GraphQL 错误响应
在移动端开发中,与 GraphQL 服务器交互时正确处理错误响应是至关重要的。本文将深入探讨使用 Apollo Kotlin 客户端时遇到的错误处理问题,特别是当服务器返回非标准 HTTP 状态码时的解决方案。
问题背景
在使用 Apollo Kotlin 客户端时,开发者可能会遇到以下情况:服务器返回了包含详细错误信息的响应体,但客户端只能捕获到简单的 HTTP 状态码错误。这是因为 Apollo Kotlin 默认对非 2xx 状态码的响应不会尝试解析响应体。
错误响应处理机制
GraphQL 规范推荐服务器在验证错误时返回 200 状态码,错误详情应包含在响应体的 errors 字段中。这种设计使得客户端可以统一处理所有类型的 GraphQL 错误。
然而,有些服务器实现可能选择返回 400 或其他 4xx/5xx 状态码来表示错误。这种情况下,Apollo Kotlin 的默认行为是抛出 ApolloHttpException 而不解析响应体。
解决方案
方案一:修改服务器行为(推荐)
最佳实践是建议后端团队遵循 GraphQL over HTTP 规范,对于验证错误返回 200 状态码。这样客户端可以直接通过以下方式获取错误详情:
val response = apolloClient.query(MyQuery()).execute()
response.errors?.forEach { error ->
println("Error message: ${error.message}")
}
方案二:启用错误响应体解析
如果无法修改服务器行为,可以在构建 ApolloClient 时启用 httpExposeErrorBody 选项:
val apolloClient = ApolloClient.Builder()
.serverUrl("https://your.server/graphql")
.httpExposeErrorBody(true)
.build()
然后可以这样处理错误:
try {
val response = apolloClient.query(MyQuery()).execute()
} catch (e: ApolloHttpException) {
e.body?.use { responseBody ->
val errorJson = responseBody.readUtf8()
// 使用 kotlinx.serialization 或 Moshi 解析 JSON
}
} catch (e: ApolloException) {
// 处理其他 Apollo 异常
}
重要提示:使用 httpExposeErrorBody 时,必须确保调用 use 方法或在 finally 块中关闭响应体,以避免资源泄漏。
自定义错误解析
对于包含非标准字段(如 code 和 stacktrace)的错误响应,需要自定义解析逻辑。推荐使用 kotlinx.serialization 或 Moshi 等库来反序列化错误响应:
@Serializable
data class GraphQLErrorDetail(
val message: String,
val code: String? = null,
val stacktrace: List<String>? = null
)
@Serializable
data class GraphQLErrorResponse(
val errors: List<GraphQLErrorDetail>
)
// 解析示例
val errorResponse = Json.decodeFromString<GraphQLErrorResponse>(errorJson)
val firstError = errorResponse.errors.first()
最佳实践总结
- 尽量让服务器遵循 GraphQL over HTTP 规范,使用 200 状态码返回验证错误
- 对于无法修改的服务器,使用
httpExposeErrorBody并正确处理响应体 - 对于复杂的错误结构,定义适当的数据类并使用 JSON 解析库
- 始终注意资源管理,确保关闭响应体
- 考虑将错误处理逻辑封装为可重用的组件
通过以上方法,开发者可以更全面、更灵活地处理 Apollo Kotlin 客户端中的各种错误场景,为用户提供更准确的错误信息和更好的错误处理体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0211
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0135
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03