Matrix-js-sdk中获取投票全部响应的正确方法
在使用Matrix-js-sdk开发基于Matrix协议的应用程序时,处理投票功能是一个常见需求。本文将深入探讨如何正确获取一个投票的所有响应数据,并分析常见问题的解决方案。
问题背景
在Matrix协议中,投票功能通过特殊的事件类型实现。开发者需要获取一个投票的所有响应来统计结果或展示给用户。然而,使用标准的getResponses()方法时,可能会遇到以下问题:
- 只能获取最新一页的响应数据
- 历史投票的响应数据获取不完整
- 响应数据丢失或不一致
标准方法的局限性
Matrix-js-sdk提供了poll.getResponses()方法来获取投票响应,但这个方法存在以下限制:
- 默认只返回最新一页的响应关系
- 没有提供分页参数来控制获取范围
- 对于历史较久的投票,响应数据可能不完整
解决方案
要可靠地获取一个投票的所有响应,我们需要实现一个自定义的解决方案。以下是关键步骤:
1. 初始化关系收集器
首先需要初始化一个关系收集器,用于存储所有响应事件:
let responses = poll.responses ||
new Relations("m.reference", M_POLL_RESPONSE.name, poll.matrixClient, [M_POLL_RESPONSE.altName]);
2. 获取所有关系事件
使用matrixClient.relations()方法获取所有相关事件,注意设置足够大的limit值:
let allRelations = await poll.matrixClient.relations(
poll.roomId,
poll.rootEvent.getId(),
"m.reference",
undefined,
{
limit: Number.MAX_SAFE_INTEGER,
}
);
3. 解密事件
确保所有加密事件都被正确解密:
await Promise.all(allRelations.events.map((event) =>
poll.matrixClient.decryptEventIfNeeded(event)));
4. 处理投票结束事件
识别投票结束事件以确定有效响应的时间范围:
let pollEndEvents = allRelations.events.filter((event) =>
M_POLL_END.matches(event.getType()));
if (pollEndEvents.length > 1) {
pollEndEvents.sort((a, b) => a.getTs() - b.getTs());
}
let pollCloseTimestamp = pollEndEvents[0] ?
pollEndEvents[0].getTs() : Number.MAX_SAFE_INTEGER;
5. 过滤有效响应
根据时间范围过滤出有效的响应事件:
const responseEvents = relationEvents.filter((event) => {
if (event.isDecryptionFailure()) return false;
return (
M_POLL_RESPONSE.matches(event.getType()) &&
event.getTs() <= pollCloseTimestamp
);
});
6. 构建完整响应集合
将所有有效响应事件添加到关系收集器中:
responseEvents.forEach((event) => {
responses.addEvent(event);
});
完整实现示例
以下是获取投票结果的完整函数实现:
async getPollResults(room, pollID) {
let timelineWindow = new TimelineWindow(this.MatrixClient, room?.getUnfilteredTimelineSet());
await timelineWindow.load(pollID);
await room?.processPollEvents(timelineWindow.getEvents());
let poll = room?.polls.get(pollID);
if (!poll) return;
let allResponses = await this.getAllResponses(poll);
let unfilteredVotes = allResponses.getRelations().map((element) => {
let roomMember = room.getMember(element?.getSender());
return {
ts: element?.getTs(),
sender: roomMember.userId,
senderName: roomMember.name,
answers: M_POLL_RESPONSE.findIn(element?.event?.content).answers,
};
});
// 进一步处理投票数据...
return {
topic: poll.pollEvent.question.text,
// 其他返回数据...
};
}
技术要点解析
-
关系事件处理:Matrix使用关系事件来关联投票和响应,理解这一机制对正确处理投票数据至关重要。
-
时间范围限制:根据Matrix规范MSC3381,只有在投票结束时间戳之前发送的响应才是有效的。
-
事件解密:在端到端加密的房间中,必须确保所有事件都被正确解密后才能处理。
-
分页限制:标准方法的分页限制是导致数据不完整的主要原因,我们的解决方案通过设置超大limit值绕过这一限制。
最佳实践建议
-
对于大型投票,考虑实现渐进式加载而非一次性获取所有响应。
-
缓存已处理的响应数据以提高性能。
-
实现错误处理机制,特别是对于解密失败的事件。
-
考虑使用Web Worker处理大量响应数据的解析和统计,避免阻塞主线程。
通过本文介绍的方法,开发者可以可靠地获取Matrix投票的全部响应数据,解决了标准方法中的数据不完整问题。这一解决方案已在生产环境中验证有效,能够处理各种规模的投票场景。
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