Dio项目中拦截器onError不返回错误的问题分析与解决
问题背景
在使用Dio网络请求库时,开发者经常需要实现拦截器(Interceptor)来处理各种网络请求场景。一个常见需求是在onError回调中处理401未授权错误,通过刷新令牌后重试请求。然而,有开发者反馈在Dio 5.4.3+1版本中,拦截器的onError方法没有按预期返回错误响应。
问题现象
开发者实现的拦截器代码如下所示,主要逻辑是当遇到401错误且未刷新过令牌时,尝试刷新令牌并重试请求。但实际运行时发现,当API返回401、404等错误状态码时,onError方法中无法获取到预期的错误日志和响应数据。
问题分析
经过技术专家分析,这个问题主要由两个关键因素导致:
-
错误的重试机制:在onError回调中使用了
handler.resolve来处理刷新令牌后的重试请求,这是不正确的做法。正确的做法应该是使用handler.reject来拒绝错误。 -
无限循环风险:使用同一个Dio实例进行令牌刷新和请求重试,可能导致无限循环。特别是当令牌刷新失败时,系统会不断尝试刷新令牌。
解决方案
要正确实现令牌刷新和错误处理逻辑,需要遵循以下最佳实践:
-
使用handler.reject而非throw:在拦截器中处理错误时,应该使用
handler.reject方法而不是直接抛出异常。 -
避免handler.resolve:在错误处理流程中不应该使用
handler.resolve,这会改变正常的错误处理流程。 -
实现正确的重试机制:可以参考Dio官方示例中的队列拦截器实现方式,确保令牌刷新和请求重试逻辑的正确性。
-
分离Dio实例:考虑使用不同的Dio实例来处理令牌刷新和正常请求,避免潜在的循环依赖问题。
实现建议
对于需要处理401错误并刷新令牌的场景,建议采用以下模式:
onError: (DioException e, handler) async {
if (e.response?.statusCode == 401 && !e.requestOptions.extra['refreshed']) {
try {
final newToken = await refreshToken();
if (newToken != null) {
e.requestOptions.headers['Authorization'] = newToken;
e.requestOptions.extra['refreshed'] = true;
// 创建新的请求选项避免修改原始请求
final opts = Options(
method: e.requestOptions.method,
headers: e.requestOptions.headers,
);
// 使用reject来处理重试
return handler.reject(await _dio.request(
e.requestOptions.path,
options: opts,
data: e.requestOptions.data,
queryParameters: e.requestOptions.queryParameters,
));
}
} catch (refreshError) {
return handler.reject(DioException(
requestOptions: e.requestOptions,
error: refreshError,
));
}
}
return handler.next(e);
}
总结
在Dio拦截器中正确处理错误需要理解其内部工作机制。关键是要避免使用不恰当的处理方法导致流程中断或循环,同时要确保错误能够正确传播。通过遵循上述建议,开发者可以构建更健壮的网络请求错误处理机制,特别是在需要处理认证令牌刷新的场景下。
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