Flutter Rust Bridge 中 Rust 调用 Dart 回调的实现与线程安全
在 Flutter Rust Bridge 项目中,开发者经常需要实现 Rust 与 Dart 之间的双向通信。本文将深入探讨如何在 Rust 中存储和调用 Dart 回调函数,并解决相关的线程安全问题。
问题背景
在跨语言交互中,Rust 调用 Dart 回调是一种常见需求。开发者希望将 Dart 回调函数存储在 Rust 结构中,以便后续调用。这种模式在事件处理等场景中尤为有用。
基础实现
最简单的实现方式是直接定义一个接受 Dart 回调的 Rust 异步函数:
pub async fn rust_function(dart_callback: impl Fn(String) -> DartFnFuture<String>) {
dart_callback("Tom".to_owned()).await;
}
然而,当我们需要将回调存储在结构体中时,情况会变得复杂。
结构体存储回调的实现
为了将回调存储在结构体中,我们需要使用 Arc 和 Mutex 来确保线程安全:
use std::sync::{Arc, Mutex};
use async_trait::async_trait;
use flutter_rust_bridge::DartFnFuture;
pub struct FfiEvent {
msg_cb: Arc<Mutex<Box<dyn Fn(Vec<u8>, String, String) -> DartFnFuture<bool> + Send + 'static>>>,
}
impl FfiEvent {
pub fn new(
msg_cb: impl Fn(Vec<u8>, String, String) -> DartFnFuture<bool> + 'static + Send,
) -> Self {
Self {
msg_cb: Arc::new(Mutex::new(Box::new(msg_cb))),
}
}
}
线程安全问题
上述实现会遇到编译错误,提示 future cannot be sent between threads safely。这是因为标准库的 MutexGuard 在跨 await 点时无法保证 Send 特性。
解决方案:使用 Tokio 的 Mutex
解决方法是使用 Tokio 提供的异步 Mutex,它专为异步上下文设计:
use tokio::sync::Mutex; // 替换标准库的 Mutex
pub struct FfiEvent {
msg_cb: Arc<Mutex<Box<dyn Fn(Vec<u8>, String, String) -> DartFnFuture<bool> + Send + 'static>>>,
}
#[async_trait]
impl Event for FfiEvent {
async fn message_event(&self, from: String, message: Vec<u8>, message_id: String) -> bool {
let cb = self.msg_cb.lock().await; // 注意这里使用 .await 而不是 .unwrap()
cb(message, from, message_id).await
}
}
实现 Event 特质
完整的实现还需要定义一个异步特质 (trait):
#[async_trait]
pub trait Event: Send {
async fn message_event(&self, from: String, message: Vec<u8>, message_id: String) -> bool;
// 其他方法...
}
关键点总结
-
线程安全:在异步环境中,标准库的同步原语可能导致问题,应使用异步友好的替代品。
-
生命周期管理:回调需要明确的
'static生命周期标记,确保它们比持有它们的结构体存活更久。 -
Send 特性:所有跨线程使用的类型都必须实现
Send特性。 -
错误处理:异步锁使用
await而不是unwrap(),因为锁可能被异步地持有。
最佳实践建议
-
对于复杂的回调场景,考虑使用消息通道 (channel) 替代直接回调。
-
在性能敏感的场景,评估锁的开销,可能需要无锁数据结构。
-
为回调添加日志记录,便于调试跨语言调用问题。
-
考虑使用类型别名简化复杂的回调类型签名。
通过以上方法,开发者可以在 Flutter Rust Bridge 项目中安全高效地实现 Rust 调用 Dart 回调的功能,构建强大的跨语言交互系统。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00