Riverpod中同步访问Future/Stream Provider缓存数据的最佳实践
2025-06-02 03:08:34作者:薛曦旖Francesca
背景介绍
在使用Riverpod状态管理库时,我们经常会遇到需要处理异步数据的情况。特别是当一个Provider依赖于另一个异步Provider的数据时,如何高效地处理这种依赖关系成为了一个重要话题。
问题核心
当Provider B依赖于Provider A的异步数据时,我们面临一个选择:
- 如果Provider A已经缓存了数据,我们可以直接同步获取
- 如果Provider A还没有数据,则需要异步等待
理想情况下,我们希望能够根据当前数据状态智能地选择同步或异步方式,而不是强制使用异步方式。
解决方案
1. 同步检查数据状态
我们可以通过检查AsyncValue的状态来判断数据是否已经缓存:
final hasResult = read(provider.select((v) => v.hasValue || v.hasError));
2. 智能同步/异步获取
基于检查结果,我们可以决定是同步返回缓存数据还是异步等待:
if (!hasResult) {
return watch(provider.future); // 异步等待
} else {
return watch(provider).requireValue; // 同步返回
}
3. 创建扩展方法
为了便于复用,我们可以将这些逻辑封装成扩展方法:
extension SyncWatch on Ref {
FutureOr<T> streamSyncWatch<T>(StreamProvider<T> provider) {
final hasResult = read(provider.select((v) => v.hasValue || v.hasError));
if (!hasResult) return watch(provider.future);
return watch(provider).requireValue;
}
FutureOr<T> futureSyncWatch<T>(FutureProvider<T> provider) {
final hasResult = read(provider.select((v) => v.hasValue || v.hasError));
if (!hasResult) return watch(provider.future);
return watch(provider).requireValue;
}
}
4. 处理FutureOr返回值
为了更方便地处理FutureOr类型的返回值,我们可以创建一个扩展方法:
extension Then<T> on FutureOr<T> {
FutureOr<R> then<R>(
FutureOr<R> Function(T value) onValue,
) {
if (this is T) {
return onValue(this as T);
} else {
return (() async => onValue(await this))();
}
}
}
实际应用示例
@riverpod
Future<ModelA> providerA(ProviderARef ref) async {
return await something();
}
@riverpod
FutureOr<ModelB> providerB(ProviderBRef ref) {
final mapper = ref.read(mapperProvider);
final rawDataValue = ref.futureSyncWatch(providerAProvider);
return rawDataValue.then((rawData) => mapper(rawData));
}
性能考量
这种方法的主要优势在于:
- 当数据已经缓存时,可以避免不必要的异步操作
- 减少了不必要的重建,提高了性能
- 保持了代码的简洁性和可读性
注意事项
- 使用
read而不是watch来检查数据状态,避免不必要的重建 - 对于StreamProvider和FutureProvider需要分别处理
- 注意错误处理,确保在数据不可用时能够正确处理
总结
通过这种智能同步/异步获取数据的方式,我们可以在Riverpod中实现更高效的Provider间依赖关系处理。这种方法既保留了异步操作的灵活性,又能在数据可用时提供同步访问的性能优势。
未来随着Riverpod的更新,可能会有更优雅的解决方案出现,但目前这种方法已经能够很好地解决实际问题。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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