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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00