深入理解Sandwich库中API错误响应的处理机制
2025-07-10 06:47:05作者:郦嵘贵Just
在移动开发中,处理API错误响应是每个开发者都需要面对的重要课题。本文将以Sandwich库为例,深入探讨如何正确处理API返回的错误信息,特别是当服务器返回包含详细错误信息的JSON响应体时。
问题背景
在使用Sandwich库处理API响应时,开发者可能会遇到这样的场景:服务器返回400 Bad Request状态码,同时响应体中包含了详细的错误信息(如JSON格式的错误描述)。然而,直接使用message()或messageOrNull方法只能获取到基础的HTTP状态信息,无法提取响应体中的具体错误内容。
错误响应处理机制
Sandwich库提供了完善的API响应处理机制,特别是对于错误响应。当API返回非成功状态码时,我们可以通过以下方式获取完整的错误信息:
- payload属性:这是最直接获取完整响应体的方式,包含了服务器返回的原始数据
- errorBody属性:专门用于访问错误响应体
- messageOrNull:提供简略的错误描述
最佳实践
在实际开发中,推荐采用以下模式处理错误响应:
apiRepository.addItemToCart(productId, quantity)
.onError { error ->
// 直接访问payload获取完整错误响应
val errorBody = error.payload?.string()
// 或者使用errorBody属性
val errorJson = error.errorBody?.string()
// 解析JSON错误信息
val errorMessage = try {
JSONObject(errorBody).getString("error")
} catch (e: Exception) {
"Unknown error"
}
// 更新UI状态
_state.update {
it.copy(
isLoading = false,
error = errorMessage
)
}
}
技术要点解析
-
payload与errorBody的区别:
- payload是原始响应对象,包含完整的响应信息
- errorBody是专门针对错误响应的便捷访问方式
-
错误信息提取:
- 对于JSON格式的错误响应,需要手动解析
- 建议使用try-catch块包裹解析逻辑,防止解析异常
-
状态管理:
- 在ViewModel中合理管理加载状态和错误状态
- 确保UI能够正确反映API调用状态
进阶技巧
对于更复杂的应用场景,可以考虑:
- 创建统一的错误处理拦截器
- 定义数据类来映射标准错误响应格式
- 使用扩展函数简化错误处理逻辑
总结
Sandwich库提供了灵活且强大的API响应处理能力。通过正确使用payload和errorBody属性,开发者可以轻松获取服务器返回的详细错误信息,从而为用户提供更友好的错误提示。理解这些机制对于构建健壮的移动应用至关重要。
记住,良好的错误处理不仅能提升用户体验,还能帮助开发者更快地定位和解决问题。在实际项目中,建议建立统一的错误处理规范,确保整个团队遵循一致的错误处理模式。
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
416
3.2 K
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
🔥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
65
19
暂无简介
Dart
682
160
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
664
React Native鸿蒙化仓库
JavaScript
265
326
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1
Ascend Extension for PyTorch
Python
230
259