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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00