Vue-Query 在 Nuxt 3 中的服务端数据获取实践
在 Nuxt 3 项目中使用 Vue-Query 进行无限滚动数据加载时,开发者可能会遇到服务端渲染(SSR)数据获取不完整的问题。本文将深入分析问题根源并提供完整的解决方案。
问题现象分析
当开发者使用 Vue-Query 的 useInfiniteQuery 进行分页数据加载时,如果直接访问目标页面,服务端能够正确获取数据。但如果从其他页面导航到目标页面,则会出现数据未获取的情况,导致客户端渲染失败。
这种现象的本质原因是 Nuxt 3 的服务端生命周期钩子 onServerPrefetch 只会在首次服务端渲染时执行。当客户端进行页面导航时,实际上是在浏览器环境中运行的单页应用(SPA)模式,此时 onServerPrefetch 不会触发。
解决方案对比
方案一:使用 useAsyncData 包装
useAsyncData(async () => {
await suspense();
return true;
});
这种方法利用了 Nuxt 3 提供的 useAsyncData 组合式函数,确保无论在服务端还是客户端都能正确触发数据获取。
方案二:使用 callOnce 钩子
await callOnce(async () => {
await suspense();
});
callOnce 是 Nuxt 3 提供的专用钩子,特别适合这种只需要执行一次的数据获取场景。
最佳实践建议
-
合理设置 staleTime
在 Vue-Query 的全局配置中设置适当的staleTime,可以避免数据在客户端不必要的重新获取。建议设置为大于页面渲染所需时间的值。 -
避免直接使用 onServerPrefetch
在 Nuxt 3 环境中,直接使用onServerPrefetch并不是最佳选择,因为它的行为与 Nuxt 3 的数据获取机制不完全兼容。 -
统一数据获取方式
无论页面是首次加载还是客户端导航,都使用相同的数据获取逻辑,可以保证一致的行为和用户体验。
实现示例
以下是一个完整的实现示例:
// 在插件中配置 Vue-Query
export default defineNuxtPlugin((nuxtApp) => {
const queryClient = new QueryClient({
defaultOptions: {
queries: {
staleTime: 1000 * 60 * 5, // 5分钟
},
},
});
nuxtApp.vueApp.use(VueQueryPlugin, { queryClient });
});
// 在页面组件中使用
const { data, suspense } = useInfiniteQuery({
queryKey: ['items'],
queryFn: fetchItems,
getNextPageParam: (lastPage) => lastPage.nextCursor,
});
await callOnce(async () => {
await suspense();
});
总结
在 Nuxt 3 中使用 Vue-Query 进行服务端数据获取时,开发者需要理解 Nuxt 3 的特殊生命周期和数据获取机制。通过合理使用 useAsyncData 或 callOnce 配合适当的 staleTime 配置,可以构建出既支持服务端渲染又能在客户端流畅导航的应用程序。
记住,关键在于统一服务端和客户端的数据获取行为,并确保数据在适当的时间内保持新鲜,这样才能提供最佳的用户体验。
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