Ktorfit项目中如何处理HTTP错误响应
在使用Ktorfit进行网络请求时,正确处理HTTP错误响应是开发过程中一个常见且重要的需求。本文将通过一个实际案例,介绍如何在Ktorfit项目中优雅地处理401等HTTP错误状态码。
问题背景
在Ktorfit项目中,当服务端返回401未授权等错误状态码时,客户端默认会抛出NoTransformationFoundException异常,而不是直接处理HTTP错误响应。这是因为Ktorfit期望将响应体转换为特定的数据模型类(如示例中的UserBasic类),但当遇到错误响应时,响应体可能为空或格式不符,导致转换失败。
解决方案
1. 配置HttpClient的响应验证器
首先,我们需要为Ktorfit的底层HttpClient配置响应验证器。这可以通过HttpResponseValidator来实现:
private val httpClient = HttpClient {
HttpResponseValidator {
handleResponseExceptionWithRequest { exception, request ->
val clientException = exception as? ClientRequestException ?: return@handleResponseExceptionWithRequest
val exceptionResponse = clientException.response
throw ServerError(exceptionResponse.status, exceptionResponse.bodyAsText())
}
}
// 其他配置...
}
这段代码会捕获客户端请求异常,并提取响应状态码和响应体内容,然后抛出自定义的ServerError异常。
2. 设置expectSuccess参数
更简单直接的解决方案是在Ktorfit接口方法中添加expectSuccess = true参数:
@GET("user/basic")
suspend fun getUserBasic(@Header("Authorization") token: String? = null): UserBasic
修改为:
@GET("user/basic", expectSuccess = true)
suspend fun getUserBasic(@Header("Authorization") token: String? = null): UserBasic
expectSuccess = true会告诉Ktorfit在收到非成功响应(2xx)时直接抛出异常,而不是尝试转换响应体。
3. 自定义异常处理
结合上述两种方法,我们可以创建更完善的错误处理机制:
sealed class NetworkResult<out T> {
data class Success<out T>(val data: T) : NetworkResult<T>()
data class Error(val status: HttpStatusCode, val message: String?) : NetworkResult<Nothing>()
}
suspend fun <T> safeApiCall(apiCall: suspend () -> T): NetworkResult<T> {
return try {
NetworkResult.Success(apiCall())
} catch (e: ServerError) {
NetworkResult.Error(e.status, e.message)
} catch (e: Exception) {
NetworkResult.Error(HttpStatusCode.InternalServerError, e.localizedMessage)
}
}
使用时可以这样封装:
val result = safeApiCall {
api.getUserBasic()
}
when(result) {
is NetworkResult.Success -> handleSuccess(result.data)
is NetworkResult.Error -> handleError(result.status, result.message)
}
最佳实践建议
-
统一错误处理:建议在项目中使用统一的错误处理机制,如上述的
safeApiCall包装器,可以避免在每个API调用处重复错误处理逻辑。 -
错误日志记录:在错误处理中加入适当的日志记录,便于调试和问题追踪。
-
用户友好提示:根据不同的HTTP状态码,向用户展示友好的错误提示信息。
-
认证失效处理:对于401错误,通常需要特殊处理,如跳转到登录页面或尝试刷新令牌。
-
重试机制:对于某些临时性错误(如503服务不可用),可以考虑实现自动重试逻辑。
通过合理配置Ktorfit和HttpClient,开发者可以构建出健壮的网络请求层,优雅地处理各种HTTP错误情况,提升应用的稳定性和用户体验。
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