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。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
 
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
 
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00