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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00