在Dio中处理Multipart请求时发送JSON内嵌文件的最佳实践
2025-05-18 11:02:54作者:薛曦旖Francesca
问题背景
在使用Dio进行网络请求时,开发者经常会遇到需要发送复杂数据结构的情况,特别是当请求中既包含普通字段又包含文件上传时。本文讨论的场景是:如何在Dio中构建一个Multipart请求,其中包含JSON格式的数据,而JSON数据中又嵌套了文件对象。
核心挑战
开发者在尝试构建这样的请求时遇到了一个常见错误:"Converting object to an encodable object failed: Instance of 'MapEntry<String, MultipartFile>'"。这个错误的本质在于尝试直接将MultipartFile对象放入JSON结构中,而JSON序列化无法处理这种特殊类型。
解决方案详解
1. 理解FormData的结构
Dio中的FormData可以同时处理普通字段和文件字段。关键是要理解:
- 普通字段使用
fields属性添加 - 文件字段使用
files属性添加 - 复杂JSON结构需要适当拆分
2. 正确的实现方式
对于原始问题中的数据结构,应该这样处理:
FormData data = FormData();
// 添加普通字段
data.fields.add(MapEntry('VisaAppointmentId', visaAppointmentId.toString()));
// 处理删除的文档列表
for (var element in deletedDocuments) {
data.fields.add(MapEntry('DeletedDocuments', element.toString()));
}
// 处理新文档列表
for (var documentRequest in newDocuments) {
String fileName = documentRequest.document!.path.split('/').last;
List<int> bytes = await documentRequest.document!.readAsBytes();
var contentType = lookupMimeType(documentRequest.document!.path);
var parts = contentType!.split('/');
var mediaType = MediaType(parts[0], parts[1]);
// 为每个文件创建唯一标识
String fileKey = 'document_${DateTime.now().millisecondsSinceEpoch}';
// 添加文件到FormData
data.files.add(MapEntry(
fileKey,
MultipartFile.fromBytes(
bytes,
filename: fileName,
contentType: mediaType,
),
));
// 在JSON中引用这个文件
Map<String, dynamic> documentMap = {
'documentType': documentRequest.documentType,
'document': fileKey, // 使用文件引用而不是直接放入文件
'visaApplicantId': documentRequest.visaApplicantId,
};
// 将文档信息添加到列表中
newDocumentsList.add(documentMap);
}
// 将文档列表转为JSON字符串
String newDocumentsJson = jsonEncode(newDocumentsList);
data.fields.add(MapEntry('NewDocuments', newDocumentsJson));
3. 服务器端处理
服务器端需要能够理解这种结构:
- 解析
VisaAppointmentId和DeletedDocuments字段 - 解析
NewDocumentsJSON字符串 - 根据JSON中的文件引用找到对应的文件内容
进阶技巧
处理多个文件
当需要上传多个文件时,可以为每个文件生成唯一的key,并在JSON中使用这些key引用文件。
性能优化
对于大文件,考虑使用流式上传而不是一次性读取所有字节,可以减少内存使用。
错误处理
添加适当的错误处理逻辑,包括:
- 文件读取失败
- JSON序列化失败
- 网络请求失败
总结
在Dio中处理包含嵌套文件的JSON结构时,关键在于将文件与JSON引用分离。通过为每个文件创建唯一标识并在JSON中引用这些标识,可以避免直接序列化MultipartFile对象的问题。这种方法既保持了数据结构的清晰性,又符合HTTP multipart/form-data的规范。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
405
3.14 K
Ascend Extension for PyTorch
Python
225
251
暂无简介
Dart
672
159
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
319
🎉 (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
1.21 K
657
React Native鸿蒙化仓库
JavaScript
262
325
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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868