Dio项目中刷新令牌机制的最佳实践
2025-05-18 05:17:29作者:庞眉杨Will
概述
在使用Dio进行网络请求时,处理401未授权错误并实现令牌刷新机制是保证应用安全性的重要环节。本文将通过分析一个典型问题案例,深入讲解如何在Dio中正确实现令牌刷新功能。
问题背景
开发者在实现Dio拦截器时遇到了令牌刷新API无响应的问题。核心代码中,当收到401错误时尝试使用刷新令牌获取新的访问令牌,但发现刷新令牌的API调用没有返回预期的响应数据。
关键问题分析
- 拦截器循环调用:原代码使用同一个Dio实例进行令牌刷新请求,这会导致拦截器递归调用,形成死循环。
- 响应处理不完整:刷新令牌后的新令牌没有正确应用到后续请求中。
- 并发控制不足:多个并行请求同时触发令牌刷新时缺乏有效控制。
解决方案
1. 使用独立Dio实例
必须创建一个不包含拦截器的独立Dio实例专门用于刷新令牌请求,避免递归调用问题。
final Dio _refreshTokenDio = Dio()
..options = _dio.options
..interceptors.clear();
2. 完善令牌刷新逻辑
在拦截器中实现完整的令牌刷新流程:
@override
Future onError(DioException err, ErrorInterceptorHandler handler) async {
if (err.response?.statusCode == 401) {
if (!_isRefreshing) {
_isRefreshing = true;
try {
final newToken = await _refreshToken();
if (newToken != null) {
// 更新请求头并重试
err.requestOptions.headers['Authorization'] = 'Bearer $newToken';
final response = await _dio.fetch(err.requestOptions);
return handler.resolve(response);
}
} finally {
_isRefreshing = false;
}
} else {
// 等待正在进行的刷新完成
await _refreshCompleter?.future;
final response = await _dio.fetch(err.requestOptions);
return handler.resolve(response);
}
}
return handler.next(err);
}
3. 并发控制机制
使用Completer和标志位控制并发刷新请求:
bool _isRefreshing = false;
Completer<void>? _refreshCompleter;
Future<String?> _refreshToken() async {
try {
final refreshToken = await _getRefreshToken();
final response = await _refreshTokenDio.post(
'/refresh-token',
data: {'refreshToken': refreshToken},
);
if (response.statusCode == 200) {
final newToken = response.data['token'];
await _saveNewToken(newToken);
_refreshCompleter?.complete();
return newToken;
}
} catch (e) {
_refreshCompleter?.completeError(e);
_logoutUser();
return null;
}
}
最佳实践建议
- 令牌存储安全:使用flutter_secure_storage等安全存储方案保存令牌
- 错误处理:考虑令牌失效时的用户重定向逻辑
- 日志记录:添加详细的调试日志帮助排查问题
- 性能优化:实现令牌预刷新机制,避免用户等待
- 测试覆盖:编写单元测试验证各种令牌失效场景
总结
实现健壮的令牌刷新机制需要考虑多个方面:避免递归调用、正确处理并发请求、完善错误处理等。通过创建独立的Dio实例、使用Completer控制并发以及实现完整的令牌更新流程,可以构建出稳定可靠的认证系统。
在实际项目中,还需要结合具体业务需求进行适当调整,例如添加令牌黑名单处理、支持多设备登录等高级功能。
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
226
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