Flutter Rust Bridge 中 StreamSink 错误处理的最佳实践
2025-06-13 07:35:40作者:段琳惟
在使用 Flutter Rust Bridge 进行跨语言开发时,StreamSink 是一个常用的工具,用于在 Rust 和 Dart 之间建立数据流通道。然而,开发者经常会遇到一个常见问题:当 Rust 端返回错误时,Dart 端无法捕获这些错误。
问题背景
在 Rust 端定义一个使用 StreamSink 的方法时,如:
pub fn sftp_upload_file(attr: String, remote_path: String, local_path: String, sink: StreamSink<(u64, u64)>) -> Result<(), SessionError> {
// 业务逻辑
}
对应的 Dart 端生成的代码会返回一个 Stream。开发者通常期望使用 try-catch 来捕获可能的错误:
try {
final stream = rust.crateApiSshSftpUploadFile(...);
await for (var item in stream) {
// 处理数据
}
} catch (e) {
// 期望捕获错误,但实际上不会执行
}
然而,这种错误处理方式并不能捕获 Rust 端返回的错误。
解决方案
方案一:使用枚举类型封装数据和错误
最直接的解决方案是修改返回类型,将数据和错误都封装在一个枚举类型中:
pub enum UploadProgress {
Data(u64, u64),
Error(String),
}
pub fn sftp_upload_file(..., sink: StreamSink<UploadProgress>) -> Result<(), SessionError> {
// 业务逻辑
if let Err(e) = some_operation() {
sink.add(UploadProgress::Error(e.to_string()));
return Ok(());
}
// 正常处理
sink.add(UploadProgress::Data(current, total));
Ok(())
}
Dart 端可以这样处理:
await for (var item in stream) {
switch (item) {
case Data(:final field0, :final field1):
// 处理进度数据
case Error(:final field0):
// 处理错误
}
}
这种方式的优点是:
- 实现简单直接
- 可以自定义错误类型和数据结构
- 错误处理逻辑清晰可见
方案二:扩展 StreamSink 功能(高级方案)
更优雅的解决方案是扩展 StreamSink 的功能,使其支持直接发送错误。这需要修改 Flutter Rust Bridge 的源码,添加类似 add_error 的方法:
impl<T> StreamSink<T> {
pub fn add_error(&self, error: String) {
// 实现将错误发送到 Dart 端
}
}
这样 Rust 端可以:
if let Err(e) = operation() {
sink.add_error(e.to_string());
return Ok(());
}
Dart 端则可以保持原有的 try-catch 结构:
try {
await for (var item in stream) {
// 处理数据
}
} catch (e) {
// 现在可以捕获到错误了
}
方案选择建议
对于大多数开发者,特别是 Rust 新手,推荐使用第一种方案。它不需要修改框架代码,实现简单,且错误处理逻辑明确。
第二种方案更适合有 Rust 开发经验的开发者,或者需要更符合 Dart 习惯的错误处理方式的场景。如果你选择这种方案,可以考虑向 Flutter Rust Bridge 项目提交 Pull Request,贡献这个功能。
总结
在 Flutter Rust Bridge 中使用 StreamSink 时,错误处理需要特别注意。通过封装枚举类型是最简单可靠的解决方案,而扩展 StreamSink 功能则提供了更符合 Dart 习惯的 API。开发者应根据项目需求和自身技术能力选择合适的方案。
登录后查看全文
热门项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
299
2.65 K
Ascend Extension for PyTorch
Python
130
152
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++
608
196
React Native鸿蒙化仓库
JavaScript
229
307
暂无简介
Dart
592
129
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
511
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
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
181
67
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
457