Flutter Rust Bridge 中 StreamSink 错误处理的最佳实践
2025-06-12 07:47:45作者:蔡怀权
在使用 Flutter Rust Bridge 进行跨语言开发时,处理 Rust 与 Dart 之间的异步流数据交互是一个常见需求。本文将深入探讨 StreamSink 的错误处理机制,帮助开发者避免常见的陷阱。
问题背景
当我们在 Rust 端创建一个返回 StreamSink 的函数时,可能会遇到这样的场景:在流传输过程中需要报告错误。一个直观但错误的做法是直接在函数返回时使用 Result 类型的 Err 变体。
pub async fn create_stream(stream_sink: StreamSink<i32>) -> Result<(), String> {
// 模拟一些处理
tokio::time::sleep(Duration::from_secs(1)).await;
stream_sink.add(42);
tokio::time::sleep(Duration::from_secs(1)).await;
// 错误的方式:直接返回 Err
Err("Some Error".to_string())
}
这种实现方式会导致 Dart 端无法正确捕获错误,错误会以未处理异常的形式抛出,而不是通过流的错误处理机制传播。
正确解决方案
Flutter Rust Bridge 为 StreamSink 提供了专门的错误报告方法 add_error。正确的做法是使用这个方法而不是通过函数返回值来报告错误:
pub async fn create_stream(stream_sink: StreamSink<i32>) {
// 模拟一些处理
tokio::time::sleep(Duration::from_secs(1)).await;
stream_sink.add(42);
tokio::time::sleep(Duration::from_secs(1)).await;
// 正确的方式:使用 add_error
stream_sink.add_error("Some Error".to_string());
}
Dart 端的正确处理
在 Dart 端,我们可以通过标准的 Stream 错误处理机制来捕获这些错误:
createStream().listen(
(event) {
print('接收到数据: $event');
},
onError: (error) {
print('捕获到错误: $error');
}
);
设计原理
这种设计遵循了 Rust 和 Dart 之间流式交互的约定:
- StreamSink 代表的是一个持续的数据流通道
- 数据流中的错误应该通过流本身的机制报告,而不是通过创建流的函数返回值
- 函数返回值通常用于指示流创建是否成功,而不是流传输过程中的错误
最佳实践建议
- 对于返回 StreamSink 的函数,避免使用 Result 作为返回值类型
- 流传输过程中的所有错误都应通过 add_error 方法报告
- 如果确实需要报告流创建失败,可以结合使用 panic 或单独的初始化错误处理机制
- 在文档中明确说明 StreamSink 函数的错误报告方式
理解并正确使用 StreamSink 的错误处理机制,可以显著提高跨语言开发的可靠性和错误处理能力,确保 Rust 和 Dart 之间的数据流交互更加健壮和可维护。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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-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- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
299
2.65 K
Ascend Extension for PyTorch
Python
130
152
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
608
196
React Native鸿蒙化仓库
JavaScript
229
307
暂无简介
Dart
592
129
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
511
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
181
67
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
457