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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00