Thingsboard自定义订阅服务使用指南:解决数据订阅中的常见错误
概述
在使用Thingsboard平台开发自定义小部件时,数据订阅服务(subscriptionApi)是一个强大的工具,它允许开发者灵活地获取和处理设备数据。然而,许多开发者在初次使用createSubscription方法时会遇到两个典型的错误:"Cannot read properties of undefined (reading 'data')"和"Cannot read properties of null (reading 'aggregation')"。本文将深入分析这些错误的原因,并提供完整的解决方案。
错误现象分析
当开发者尝试使用subscriptionApi.createSubscription方法创建数据订阅时,虽然API调用返回成功,但小部件会抛出以下两类错误:
- 数据读取错误:表明系统无法读取返回数据的data属性
- 聚合配置错误:表明系统无法读取聚合(aggregation)配置
这些错误通常源于订阅配置不完整,特别是与时间窗口(timewindow)相关的配置缺失。
根本原因
经过分析,这些错误并非Thingsboard平台的bug,而是由于开发者对createSubscription方法的配置理解不足导致的。关键在于subscriptionOptions中的两个相关配置项:
- useDashboardTimewindow:决定是否使用仪表板的时间窗口配置
- timeWindowConfig:自定义时间窗口的详细配置
当useDashboardTimewindow设置为false时,必须提供完整的timeWindowConfig配置,否则系统无法确定如何聚合和获取数据。
解决方案
方案一:使用仪表板时间窗口配置
这是最简单的解决方案,只需将useDashboardTimewindow设置为true:
subscriptionOptions = {
// 其他配置...
"useDashboardTimewindow": true,
// 其他配置...
}
这种方式的优势是:
- 自动继承仪表板的时间窗口设置
- 当仪表板时间窗口变化时,订阅会自动更新
- 无需维护额外的时间窗口配置
方案二:自定义时间窗口配置
如果需要独立于仪表板的时间窗口,可以保留useDashboardTimewindow为false,但必须提供完整的timeWindowConfig:
const timeWindowConfig = {
"displayValue": "",
"hideInterval": false,
"hideLastInterval": false,
"hideQuickInterval": false,
"hideAggregation": false,
"hideAggInterval": false,
"hideTimezone": false,
"selectedTab": 0,
"realtime": {
"realtimeType": 0,
"interval": 1000,
"timewindowMs": 60000,
"quickInterval": "CURRENT_DAY"
},
"history": {
"historyType": 0,
"interval": 1000,
"timewindowMs": 60000,
"fixedTimewindow": {
"startTimeMs": 1742402900292,
"endTimeMs": 1742489300292
},
"quickInterval": "CURRENT_DAY"
},
"aggregation": {
"type": "AVG",
"limit": 25000
}
};
subscriptionOptions = {
// 其他配置...
"useDashboardTimewindow": false,
"timeWindowConfig": timeWindowConfig,
// 其他配置...
}
这种方式的优势是:
- 完全控制数据获取的时间范围
- 不受仪表板时间窗口变化的影响
- 可以针对特定需求定制聚合方式
最佳实践建议
-
明确需求:首先确定是否需要独立的时间窗口配置,大多数情况下使用仪表板配置即可
-
配置完整性检查:确保所有必需的配置项都已提供,特别是当useDashboardTimewindow为false时
-
错误处理:在subscribe回调中添加错误处理逻辑,便于调试
-
性能考虑:自定义时间窗口时,注意数据量大小和聚合配置,避免获取过多数据影响性能
完整示例代码
self.onInit = function() {
// 方案一:使用仪表板时间窗口
const option1 = {
"type": "timeseries",
"datasources": [...],
"useDashboardTimewindow": true
};
// 方案二:自定义时间窗口
const timeWindowConfig = {...}; // 如上文所示
const option2 = {
"type": "timeseries",
"datasources": [...],
"useDashboardTimewindow": false,
"timeWindowConfig": timeWindowConfig
};
self.ctx.subscriptionApi.createSubscription(option1, true).subscribe(
(subscription) => {
console.log("订阅创建成功");
},
(error) => {
console.error("订阅创建失败:", error);
}
);
self.ctx.detectChanges();
}
通过理解这些配置项的作用和相互关系,开发者可以避免常见的订阅配置错误,更高效地利用Thingsboard平台的数据订阅功能。
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