Redux Toolkit 中实现自动令牌刷新的最佳实践
概述
在现代Web应用中,身份验证和授权是至关重要的安全机制。当使用JWT(JSON Web Tokens)进行身份验证时,通常会遇到访问令牌过期的问题。本文将详细介绍如何在Redux Toolkit中优雅地处理401未授权错误,实现自动令牌刷新机制。
核心问题
当API请求返回401状态码时,通常意味着当前使用的访问令牌已过期或无效。传统解决方案是强制用户重新登录,但这会带来糟糕的用户体验。更优雅的方式是使用刷新令牌自动获取新的访问令牌,然后重试失败的请求。
解决方案架构
Redux Toolkit提供了fetchBaseQuery和自定义查询功能,我们可以利用这些特性构建一个自动令牌刷新机制。以下是实现这一功能的关键步骤:
1. 基础查询配置
首先创建一个基础查询实例,用于处理常规请求:
const baseQuery = fetchBaseQuery({
baseUrl: `${config.basePath}`,
prepareHeaders: (headers) => {
const token = CredentialsHelper.accessToken();
if (token) {
headers.set('authorization', `Bearer ${token}`);
}
return headers;
},
});
这个配置会自动将访问令牌添加到请求头中。
2. 增强查询功能
接下来创建一个增强版的基础查询,它会拦截401错误并尝试刷新令牌:
const baseQueryWithReauth = async (args, api, extraOptions) => {
let result = await baseQuery(args, api, extraOptions);
if (result?.error?.status === 401) {
try {
const refreshToken = CredentialsHelper.refreshToken();
const {data} = await api.dispatch(
authApi.endpoints.refreshToken.initiate(refreshToken),
);
CredentialsHelper.update(data.access_token, data.refresh_token);
result = await baseQuery(args, api, extraOptions);
} catch (error) {
console.log('令牌刷新失败', error);
}
}
return result;
};
3. API切片配置
最后,在创建API切片时使用这个增强版的查询:
export const apiSlice = createApi({
reducerPath: 'api',
baseQuery: baseQueryWithReauth,
tagTypes: [],
endpoints: () => ({}),
});
实现细节解析
-
错误拦截:增强查询会检查每个请求的响应,如果发现401错误,就会触发令牌刷新流程。
-
令牌刷新:使用保存在本地的刷新令牌发起新的请求,获取新的访问令牌和刷新令牌。
-
令牌更新:将新获取的令牌保存到本地存储中,确保后续请求可以使用最新的令牌。
-
请求重试:使用新的访问令牌重新发起原始请求,对用户来说整个过程是无感知的。
-
错误处理:如果令牌刷新失败,可以执行清理操作,如清除本地存储的令牌并重定向到登录页面。
最佳实践建议
-
令牌存储安全:确保使用安全的方式存储令牌,考虑使用HttpOnly cookies或安全的本地存储方案。
-
并发请求处理:当多个请求同时返回401时,应该实现令牌刷新请求的防抖机制,避免重复刷新。
-
令牌过期检查:可以在发起请求前检查令牌是否即将过期,提前刷新令牌。
-
错误回退:当令牌刷新失败时,应该提供清晰的用户反馈并引导重新登录。
总结
通过Redux Toolkit的自定义查询功能,我们可以构建一个健壮的自动令牌刷新机制。这种方法不仅提升了用户体验,还保持了应用的安全性。实现的关键在于正确拦截401错误、安全地处理令牌刷新流程,并确保所有失败的请求都能得到适当的重试。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00