ASP.NET Core Blazor 中的 NotFound 导航方法解析
在 ASP.NET Core Blazor 10.0 Preview 4 版本中,开发团队为 NavigationManager 新增了 NotFound 方法,这一功能为 Blazor Web App (BWA) 的路由处理带来了重要改进。本文将深入解析这一新特性的工作原理、使用场景以及在不同渲染模式下的表现。
NotFound 方法的基本概念
NotFound 方法是 NavigationManager 类的新增成员,专门用于处理应用程序中的 404 状态。当用户访问不存在的路由时,开发者可以调用此方法来触发"未找到"页面的显示逻辑。
全局交互模式下的实现
在全局交互模式(使用 dotnet new blazor -ai 创建的项目)中,NotFound 方法的实现最为直接。开发者需要在 Router 组件中配置 NotFound 模板:
<Router AppAssembly="typeof(Program).Assembly">
<Found Context="routeData">
<RouteView RouteData="routeData" DefaultLayout="typeof(Layout.MainLayout)" />
</Found>
<NotFound>
<Pages.NotFoundPage />
</NotFound>
</Router>
NotFoundPage 是一个自定义组件,开发者可以自由设计其内容和样式。当 NavigationManager.NotFound() 被调用时,系统会自动渲染这个组件。
静态 SSR 模式下的表现
在静态服务器端渲染(SSR)模式下,NotFound 方法会设置 404 状态码,这是符合 HTTP 协议的标准行为。例如:
@page "/render-not-found-ssr"
@inject NavigationManager NavigationManager
@code {
protected override void OnInitialized()
{
NavigationManager.NotFound();
}
}
这种方式适合需要严格遵循 HTTP 状态码的场景,比如 SEO 优化或 API 调用。
组件级交互模式的限制
在 Preview 4 版本中,组件级交互模式(包括 InteractiveServer 和 InteractiveWebAssembly)的 NotFound 方法调用目前不会产生预期效果。这是因为组件级交互模式下缺乏全局路由器的支持,而 Router 组件的参数定义了 404 页面的呈现方式。
未来展望
根据开发团队的信息,Preview 5 版本将解决组件级交互模式下的限制,通过设置重新执行中间件来实现 404 状态的处理。这将为开发者提供更灵活的路由控制能力。
最佳实践建议
- 对于全局应用,推荐使用 Router 组件的 NotFound 模板来统一处理 404 情况
- 静态内容优先考虑 SSR 模式下的 NotFound 方法,确保正确的 HTTP 状态码
- 交互式功能可以等待 Preview 5 的更新以获得完整的 404 处理能力
- 设计自定义 404 页面时,考虑用户体验,提供清晰的错误信息和导航选项
通过合理利用 NotFound 方法,开发者可以构建更加健壮和用户友好的 Blazor 应用程序,有效处理各种路由异常情况。
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