grpc-node项目中gRPC流式响应重复消息问题解析
2025-06-12 12:57:43作者:裴麒琰
问题现象
在使用grpc-node项目构建gRPC服务时,开发者发现一个有趣的现象:当服务端实现流式响应时,不同版本的@grpc/grpc-js包会产生不同的响应结果。具体表现为:
- 使用1.9.9版本时,客户端能正确接收10条不同内容的响应消息
- 升级到1.10.6版本后,客户端却收到了第一条正确消息和后续9条相同的重复消息
问题根源分析
这个问题的本质在于消息对象的复用和序列化时机的差异。
在服务端实现中,开发者创建了一个GreetResponse对象,然后在循环中反复修改并发送同一个对象。这种写法存在潜在风险,因为:
- gRPC框架在发送消息时会对消息对象进行序列化
- 不同版本框架的序列化时机可能不同
- 如果序列化发生在所有修改完成之后,就会导致所有消息内容相同
技术细节
在gRPC的流式响应实现中,消息发送涉及以下关键步骤:
- 构造protobuf消息对象
- 序列化消息为二进制格式
- 通过网络传输
- 客户端反序列化
在1.9.9版本中,框架在每次write调用时立即序列化消息内容,因此能正确反映每次循环的修改。而在1.10.6版本中,优化了性能但改变了序列化时机,导致所有write调用共享了最后修改的消息内容。
解决方案
正确的实现方式是在每次循环中创建新的消息对象:
exports.greetManyTimes = (call, _) => {
console.log('GreetManyTimes was invoked');
for (let i = 0; i < 10; i++) {
const res = new pb.GreetResponse(); // 每次循环创建新对象
res.setResult(`Hello ${call.request.getFirstName()} - number ${i}`);
call.write(res);
}
call.end();
};
最佳实践
在实现gRPC流式服务时,应该遵循以下原则:
- 避免复用消息对象:每次发送都应创建新的protobuf对象
- 考虑线程安全:虽然Node.js是单线程的,但异步操作可能导致状态问题
- 明确生命周期:每个消息对象应该只用于一次发送
- 版本兼容性:代码实现不应依赖特定版本的序列化行为
总结
这个问题很好地展示了gRPC实现中的一些微妙之处。作为开发者,我们不应该依赖特定版本的内部实现细节,而应该编写符合协议规范的健壮代码。通过每次创建新消息对象,可以确保代码在所有版本中都能正确工作,同时也更符合函数式编程的无副作用原则。
在分布式系统开发中,类似的"状态共享"问题经常出现,理解消息传递的机制和序列化的原理对于构建可靠的微服务至关重要。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
421
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
685
160
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
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (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
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869