RiverPod 2.6.1 中实现数据定时缓存的实践指南
前言
在现代移动应用开发中,数据缓存是提升用户体验和性能的重要手段。RiverPod 作为 Flutter 生态中流行的状态管理工具,提供了灵活的缓存机制。本文将深入探讨如何在 RiverPod 2.6.1 版本中实现数据定时缓存的功能。
基础缓存实现
RiverPod 提供了 AutoDisposeRef 的扩展机制来实现缓存功能。最基本的缓存实现方式如下:
extension CacheForExtension on AutoDisposeRef<Object?> {
void cacheFor(Duration duration) {
final link = keepAlive();
Timer(duration, link.close);
}
}
使用时只需在 provider 中调用:
@riverpod
Future<Object> example(ExampleRef ref) async {
ref.cacheFor(const Duration(minutes: 5));
return http.get(Uri.https('example.com'));
}
问题与优化
上述基础实现存在两个明显问题:
-
错误状态也会被缓存:当请求失败时,错误结果同样会被缓存,这显然不是我们期望的行为。
-
仅读取时不缓存:当只使用
ref.read而不使用ref.watch时,缓存机制不会生效。
改进方案
针对这些问题,我们可以改进缓存扩展:
extension CacheForExtension on AutoDisposeRef<Object?> {
void cacheFor(Duration duration, {bool disposeOnError = true}) {
final link = keepAlive();
Timer(duration, link.close);
if (disposeOnError) {
listenSelf(
(previous, next) {
if (next is AsyncValue && next.hasError) {
invalidateSelf();
}
},
onError: (error, stackTrace) {
invalidateSelf();
},
);
}
}
}
这个改进版本:
- 增加了错误处理机制
- 在发生错误时自动失效缓存
- 提供了
disposeOnError参数控制是否在错误时失效
RiverPod 2.6.1 的适配
在 RiverPod 2.6.1 中,ref.listenSelf 已被标记为废弃。我们需要采用新的方式来实现相同的功能。推荐的方法是使用 AsyncNotifier:
-
将 provider 转换为基于类的
AsyncNotifier -
修改扩展以适用于
AsyncNotifier -
调整扩展实现使用新的 API
对于使用 riverpod_gen 生成代码的情况,需要注意生成的类可能继承自 BuildlessAutoDisposeAsyncNotifier,这是一个内部类。更合适的做法可能是让生成的代码继承 AutoDisposeAsyncNotifier。
最佳实践建议
-
合理设置缓存时间:根据数据更新频率设置合适的缓存时间,平衡新鲜度和性能。
-
错误处理:确保错误状态不会被缓存,避免用户看到过时的错误信息。
-
资源释放:使用 Timer 时要确保在适当的时候取消,避免内存泄漏。
-
测试验证:编写单元测试验证缓存行为是否符合预期。
总结
在 RiverPod 2.6.1 中实现数据定时缓存需要考虑版本特性和最佳实践。通过合理使用 AsyncNotifier 和扩展机制,我们可以构建出健壮、高效的缓存解决方案。开发者应根据具体业务需求调整缓存策略,并在性能和用户体验之间找到平衡点。
kernelopenEuler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。C051
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0127
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