WinUI 3项目中的窗口关闭事件处理最佳实践
问题背景
在WinUI 3应用程序开发中,开发者经常需要在主窗口关闭时执行一些清理操作或请求用户确认。然而,当从.NET 6升级到.NET 9时,一些原本正常工作的代码可能会出现问题,特别是在处理窗口关闭事件时尝试显示内容对话框的情况下。
问题现象
在.NET 9环境中,当开发者在Window.Closed事件处理程序中尝试显示ContentDialog时,会遇到无法捕获的Win32异常。这种异常即使在调试器中勾选了所有Win32异常选项也无法捕获,导致应用程序意外终止。
问题根源分析
经过深入分析,这个问题主要由两个关键因素导致:
-
异步事件处理问题:开发者使用了async void作为事件处理程序的签名,这会导致事件处理程序不会等待异步操作完成就继续执行。在窗口关闭的上下文中,这意味着应用程序可能在对话框显示之前就已经开始关闭过程。
-
XAML根元素缺失:在WinUI 3中显示ContentDialog时,必须正确设置XamlRoot属性,否则对话框无法正确显示。这在.NET 9中可能变得更加严格。
解决方案
1. 同步事件处理模式
正确的做法是使用同步事件处理程序,并在其中设置一个标志位来控制窗口关闭行为:
private bool _isCloseRequested = false;
private void VmMainWindow_Closed(object sender, WindowEventArgs args)
{
if (_isCloseRequested)
return;
args.Handled = true;
_dispatcherQueue.TryEnqueue(async () =>
{
var answer = await ShowConfirmationDialog();
if (answer == ContentDialogResult.Primary)
{
_isCloseRequested = true;
App.MainWindow.Close();
}
});
}
2. 确保正确设置XamlRoot
在创建ContentDialog时,必须设置XamlRoot属性:
var dialog = new ContentDialog
{
Title = "确认关闭",
Content = "确定要关闭应用程序吗?",
PrimaryButtonText = "确定",
CloseButtonText = "取消",
XamlRoot = App.MainWindow.Content.XamlRoot
};
最佳实践建议
-
避免在事件处理程序中使用async void:这会导致无法正确等待异步操作完成,特别是在生命周期事件中。
-
使用DispatcherQueue进行UI操作:当需要从非UI线程操作UI元素时,应该使用DispatcherQueue来确保操作在UI线程上执行。
-
正确处理窗口关闭流程:窗口关闭是一个特殊的事件,应该设计为同步过程,任何需要用户确认的操作都应该在关闭请求发起前完成。
-
考虑使用Closing事件替代Closed事件:在某些情况下,使用Window.Closing事件可能更为合适,因为它允许在窗口实际关闭前进行干预。
总结
在WinUI 3应用程序开发中,正确处理窗口关闭事件需要特别注意异步编程模式和UI线程的交互。通过采用同步事件处理模式、正确设置对话框属性以及合理设计关闭流程,可以避免在.NET 9升级过程中遇到的这类问题。这些最佳实践不仅解决了当前的问题,也为应用程序的稳定性和用户体验提供了更好的保障。
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