Solon项目中SSE流式数据传输换行符问题的解决方案
2025-07-01 16:23:42作者:瞿蔚英Wynne
背景介绍
在使用Solon框架开发基于SSE(Server-Sent Events)的流式数据传输应用时,开发者可能会遇到一个常见问题:当后端通过SSE推送包含换行符或空格的内容时,前端接收到的数据中这些特殊字符会丢失或显示异常。这种情况在开发聊天应用、实时日志显示或AI对话系统时尤为常见。
问题分析
在原始实现中,后端直接通过getContent()方法获取消息内容并通过SSE发送:
return Flux.from(chatModel.prompt(message).stream())
.map(resp -> resp.getMessage())
.map(msg -> new SseEvent().data(msg.getContent()));
这种做法会导致以下问题:
- SSE协议特性:SSE以行为单位传输数据,当内容中包含换行符时,会被解释为消息分隔符而非内容的一部分
- 数据完整性:直接发送纯文本内容会丢失原始数据中的格式信息
- 前端解析困难:前端需要额外处理才能正确显示格式化的内容
解决方案
后端改造
正确的做法是将内容封装为JSON格式进行传输,这样可以保留原始数据中的所有特殊字符和格式信息:
@Produces(MimeType.TEXT_EVENT_STREAM_UTF8_VALUE)
@Mapping("case2")
public Flux<ChatMessage> case2(String prompt) throws IOException {
return Flux.from(chatModel.prompt(prompt).stream())
.filter(resp -> resp.hasChoices())
.map(resp -> resp.getMessage());
}
这种实现方式有以下优势:
- 保留格式信息:JSON格式可以完整保留换行符、空格等特殊字符
- 结构化数据:可以传输更复杂的数据结构,而不仅是纯文本
- 扩展性强:便于未来添加更多元数据字段
前端适配
前端也需要相应调整,正确解析JSON格式的SSE数据:
eventSource.onmessage = (event) => {
// 解析JSON格式的SSE数据
let json_data = transformThink(JSON.parse(event.data).content)
// 拼接并显示内容
temp.value.msg = temp.value.msg + json_data;
// 滚动到底部
nextTick(() => {
let chatList = document.getElementById('chatList')
if (chatList) {
chatList.scrollTop = chatList.scrollHeight;
}
})
}
实现细节
- JSON序列化:Solon框架会自动将返回的对象序列化为JSON格式
- 内容安全:JSON格式天然支持内容转义,避免了XSS等安全问题
- 性能考虑:虽然JSON格式会增加少量传输开销,但对于现代网络环境影响可以忽略
最佳实践
- 统一数据格式:建议所有SSE接口都采用JSON格式返回数据
- 错误处理:前端应添加完善的错误处理逻辑,应对网络异常等情况
- 内容格式化:可以在后端完成内容的初步格式化,减轻前端负担
- 连接管理:合理处理SSE连接的建立和关闭,避免资源泄漏
总结
在Solon框架中使用SSE进行流式数据传输时,直接发送纯文本内容会导致格式信息丢失。通过将数据封装为JSON格式传输,可以完美解决换行符和空格显示异常的问题。这种方法不仅解决了当前问题,还为系统未来的功能扩展打下了良好基础。
对于开发者而言,理解SSE协议的特性和JSON格式的优势,能够帮助设计出更加健壮和可维护的实时数据交互系统。
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137