Apollo Client 与 MSW 2.0 集成测试中的延迟问题分析
在基于 Apollo Client 3.11.8 和 MSW 2.x 的测试环境中,开发团队遇到了一个值得关注的技术问题。当使用 MSW 的 delay('infinite') 功能模拟长时间延迟响应时,测试结束时会出现"无法读取未定义的属性'result'"的错误。
问题现象
测试环境中,当使用 MSW 的 delay('infinite') 来模拟长时间未响应的网络请求时,测试结束后会抛出以下错误堆栈:
TypeError: Cannot read properties of undefined (reading 'result')
at handleError
at createHttpLink.js
深入调试发现,错误发生在 Apollo Client 的 handleError 函数中,该函数尝试访问 err.result 属性,但此时 err 参数却为 undefined。这表明在测试环境清理过程中,某些异步操作被意外中断,导致错误处理逻辑接收到了非预期的参数。
技术背景
Apollo Client 是一个功能强大的 GraphQL 客户端库,广泛应用于现代前端开发。MSW (Mock Service Worker) 则是一个流行的 API 模拟工具,特别适合在测试环境中拦截和模拟网络请求。两者的结合为前端测试提供了强大支持。
在测试场景中,delay('infinite') 通常用于模拟永远不会完成的网络请求,这对于测试超时处理和加载状态非常有用。然而,这种极端情况也更容易暴露底层实现的边界条件问题。
问题根源分析
经过深入研究,开发团队发现问题的根本原因与测试环境的清理机制有关:
- 当测试使用 delay('infinite') 时,Apollo Client 的请求会保持挂起状态
- 测试结束后,测试运行环境(如 Vitest)会尝试清理所有未完成的异步操作
- 这种清理过程可能导致挂起的 Promise 被强制拒绝,但错误对象未能正确构造
- Apollo Client 的错误处理函数 handleError 假设错误对象总是存在且具有特定结构,这在边界情况下不成立
解决方案
针对这个问题,开发团队提出了几种解决方案:
-
防御性编程:修改 handleError 函数,增加对错误对象的空值检查
export function handleError(err, observer) { if (err && err.result && err.result.errors && err.result.data) { // 原有逻辑 } } -
环境升级:将测试环境中的 jsdom 从 16.7.0 升级到更高版本(如 26.1.0),因为早期版本的 AbortSignal 实现可能存在缺陷
-
测试策略调整:在测试中使用有限的延迟而非无限延迟,并在测试结束时显式清理所有模拟请求
最佳实践建议
基于这一案例,我们总结出以下前端测试最佳实践:
- 在使用极端模拟条件(如无限延迟)时,要特别注意测试环境的清理
- 保持测试工具链(如 jsdom、Vitest 等)的及时更新
- 对错误处理逻辑实施防御性编程,特别是处理来自外部环境的输入
- 在模拟网络请求时,考虑使用可预测的延迟而非无限延迟
- 为异步测试添加适当的超时机制,避免测试挂起
这一案例展示了现代前端开发中工具链集成的复杂性,也提醒我们在处理边界条件时需要更加谨慎。通过理解底层机制和采取防御性编程策略,可以构建更加健壮的前端测试体系。
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