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。
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