urql 项目中实现全局加载状态监控的技术方案
2025-05-26 22:37:32作者:乔或婵
背景介绍
在现代前端应用中,全局加载状态指示器是一个常见的需求。它能够为用户提供统一的视觉反馈,告知应用当前是否有后台请求正在进行。urql 作为一款流行的 GraphQL 客户端,其核心设计理念强调可插拔性(pluggability),通过交换(exchange)机制实现高度可定制化。
核心问题
在 urql 项目中,开发者希望实现类似 tanstack query 中 useIsFetching 的功能,能够全局监控所有请求的加载状态。这需要在不破坏 urql 核心设计理念的前提下,提供一个优雅的解决方案。
技术实现方案
基于交换机制的解决方案
urql 的交换机制为解决这一问题提供了完美的架构基础。我们可以创建一个专门的 isFetchingExchange 来实现全局请求状态监控:
-
交换器设计:
- 维护一个请求键(key)数组来跟踪所有进行中的请求
- 提供订阅/取消订阅接口供组件监听状态变化
- 在请求开始和结束时更新状态并通知订阅者
-
状态管理:
- 使用数组存储所有进行中请求的键
- 当数组长度从0变为1时,通知订阅者状态变为"加载中"
- 当数组长度从1变为0时,通知订阅者状态变为"空闲"
-
性能优化:
- 通过独立的
IsFetching组件最小化重新渲染范围 - 只在状态实际变化时通知订阅者
- 通过独立的
实现代码示例
const isFetchingExchange = () => {
const activeRequests = [];
const subscribers = [];
const notify = (isLoading) => {
subscribers.forEach(cb => cb(isLoading));
};
return {
exchange: ops$ => {
const forward$ = pipe(
ops$,
tap(op => {
activeRequests.push(op.key);
if (activeRequests.length === 1) notify(true);
})
);
return pipe(
forward(forward$),
tap(op => {
const index = activeRequests.indexOf(op.key);
if (index !== -1) {
activeRequests.splice(index, 1);
if (activeRequests.length === 0) notify(false);
}
})
);
},
subscribe: cb => subscribers.push(cb),
unsubscribe: cb => {
const index = subscribers.indexOf(cb);
if (index !== -1) subscribers.splice(index, 1);
}
};
};
架构优势
- 非侵入式设计:完全基于 urql 现有的交换机制,不修改核心逻辑
- 高性能:通过细粒度的订阅机制避免不必要的组件渲染
- 可扩展性:可以轻松添加更多功能,如按请求类型分类监控
- 灵活性:开发者可以根据需要定制通知逻辑和状态存储方式
实际应用建议
在实际项目中,建议将这一功能封装为独立模块:
- 创建专门的
useIsFetching自定义 Hook - 提供配置选项,如过滤特定类型的请求
- 考虑添加防抖功能以避免状态快速切换导致的闪烁
- 提供 TypeScript 类型定义确保类型安全
总结
通过 urql 的交换机制实现全局加载状态监控,不仅保持了 urql 的核心设计理念,还展示了其架构的灵活性和可扩展性。这种解决方案为开发者提供了一种高效、非侵入式的方法来增强用户体验,同时保持了代码的整洁和可维护性。对于需要全局加载指示器的 urql 项目来说,这是一个值得考虑的技术方案。
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
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.12 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
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++
663
315
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
219