Sonner项目中严格模式下的Toast重复显示问题解析
2025-05-23 01:09:00作者:魏献源Searcher
问题背景
在使用React的Sonner toast通知库时,开发者发现当应用运行在严格模式(Strict Mode)下时,通过useEffect触发的toast通知会出现重复显示的问题。这种现象在开发环境中尤为明显,导致用户体验不佳。
问题重现
问题的核心在于当组件在严格模式下挂载时,React会故意执行两次useEffect来帮助开发者发现潜在问题。对于Sonner toast来说,每次useEffect执行都会创建一个新的toast实例,即使我们尝试在清理函数中取消前一个toast。
典型的问题代码如下:
useEffect(() => {
const id = toast('hello')
return () => {
toast.dismiss(id)
}
})
技术原理分析
React严格模式下的双重渲染机制是为了帮助开发者发现副作用问题。在这种模式下:
- 组件会经历完整的挂载-卸载-挂载周期
- 所有生命周期钩子和effect都会被执行两次
- 目的是暴露潜在的资源泄漏或不纯的操作
对于Sonner toast来说,每次effect执行都会生成一个新的toast,即使我们在清理函数中尝试取消前一个toast,由于React的执行顺序,两个toast都会短暂存在。
解决方案
1. 使用唯一ID标识toast
最直接的解决方案是为toast指定一个唯一ID,这样即使多次调用,Sonner也能识别并合并相同的toast:
useEffect(() => {
const id = toast('hello', { id: 'unique-toast-id' })
return () => {
toast.dismiss(id)
}
})
2. 使用挂载状态检测
另一种方法是检测组件是否已完成初始挂载,避免首次渲染时的重复调用:
function useMounted() {
const [mounted, setMounted] = useState(false)
useEffect(() => setMounted(true), [])
return mounted
}
function MyComponent() {
const mounted = useMounted()
useEffect(() => {
if (!mounted) return
const id = toast('hello')
return () => toast.dismiss(id)
}, [mounted])
}
3. 考虑toast触发时机
从根本上说,toast通知通常更适合作为用户交互的直接响应,而非effect的副作用。重新考虑应用逻辑,将toast触发移至事件处理程序中可能是更合理的设计。
最佳实践建议
- 生产环境验证:严格模式仅用于开发环境,确保在生产环境中测试toast行为
- 合理使用effect:避免在effect中执行用户可见的副作用
- 考虑toast生命周期:明确toast应该何时出现和消失
- 利用库的特性:充分利用Sonner提供的ID去重功能
总结
Sonner toast在React严格模式下的重复显示问题源于React的安全机制和effect的执行特性。通过为toast指定唯一ID或控制effect执行时机,可以有效解决这一问题。作为开发者,理解React严格模式的设计意图和Sonner的工作机制,能够帮助我们编写更健壮的toast通知逻辑。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0211
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0135
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
32
16
暂无描述
Dockerfile
774
5.07 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
871
2.01 K
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
468
461
Ascend Extension for PyTorch
Python
756
956
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
695
1.39 K
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++
1.1 K
1.14 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.03 K
271
昇腾LLM分布式训练框架
Python
182
230
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1.03 K
644