Apollo Client 中自定义 ApolloLink 导致重复请求问题解析
问题背景
在使用 Apollo Client 进行 GraphQL 开发时,开发者经常会通过创建自定义的 ApolloLink 来实现特定的功能需求。然而,在从 Apollo Client 3.7.14 升级到 3.10.4 版本后,一些开发者发现他们的自定义链接出现了重复请求的问题。
问题重现
当开发者创建一个自定义的 ApolloLink 并在其中直接订阅 observable 时,例如以下代码:
export class MyLink extends ApolloLink {
constructor() {
super((operation, forward) => {
const next: Observable<FetchResult> = forward(operation);
next.subscribe({
error: (e) => {
console.log(e);
},
next: (result) => {
console.log(result);
},
});
return next;
});
}
}
这种情况下,每个 GraphQL 请求都会被发送两次,这显然不是开发者期望的行为。
问题根源
这个问题的本质在于对 Observable 工作原理的理解不足。在 Apollo Client 中,HttpLink 的实现会在 observable 被订阅时执行 fetch 请求。当开发者在自定义链接中直接订阅 observable 并返回同一个 observable 时,实际上创建了两个订阅:
- 自定义链接中的显式订阅
- Apollo Client 核心自身的订阅
每个订阅都会触发一次网络请求,因此导致了重复请求的问题。
解决方案
方案一:使用 map 操作符
export class MyLink extends ApolloLink {
constructor() {
super((operation, forward) => {
return forward(operation).map((result) => {
console.log(result);
return result;
});
});
}
}
这种方法通过 map 操作符创建一个新的 observable,只观察 next 值而不创建额外的订阅。缺点是只能观察 next 值,无法处理错误情况。
方案二:创建新的 Observable
export class MyLink extends ApolloLink {
constructor() {
super((operation, forward) => {
return new Observable((observer) => {
const subscription = forward(operation).subscribe({
next: (result) => {
console.log(result);
observer.next(result);
},
error: (e) => {
console.log(e);
observer.error(e);
},
complete: observer.complete.bind(observer)
});
return () => subscription.unsubscribe();
});
});
}
}
这是更完整的解决方案,可以处理所有三种 observable 事件(next、error、complete),同时避免了重复订阅问题。这也是 Apollo Client 内置链接常用的实现模式。
版本变更说明
值得注意的是,在 Apollo Client 3.7.14 版本中,这个问题可能不明显,而在 3.10.4 版本中变得明显。这实际上是一个修复而非退化,因为早期版本可能错误地进行了请求去重,而新版本更严格地遵循了 observable 的规范。
最佳实践建议
- 在创建自定义链接时,始终考虑 observable 的订阅行为
- 优先使用方案二的模式,特别是需要处理错误情况时
- 确保正确处理 complete 事件和取消订阅逻辑
- 在升级 Apollo Client 版本时,特别注意自定义链接的行为变化
通过理解这些概念和采用正确的实现模式,开发者可以创建高效可靠的自定义链接,而不会引入重复请求的问题。
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