news 2026/5/25 4:34:55

SseEmitter

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
SseEmitter

SseEmitter是 Spring MVC 提供的一个类，用于实现服务器向客户端的实时推送（Server-Sent Events，简称 SSE）。

一、核心概念

SSE（Server-Sent Events）是一种基于 HTTP 的单向通信机制：

  • 服务器 → 浏览器（单向）
  • 浏览器通过EventSource建立长连接
  • 服务器可以持续向客户端推送数据（流式返回）

二、SseEmitter 是干什么的？

简单说：

SseEmitter用于在 Spring 后端持续向前端发送“流式数据”。

典型使用场景：

  • AI 对话流式输出（类似 ChatGPT）
  • 实时日志推送
  • 进度更新
  • 消息通知

三、代码里的作用解析

你截图中的代码：

publicSseEmitterchatStream(...)

说明：

  • 这个接口返回的不是普通 JSON
  • 而是一个流式响应（text/event-stream）
  • 客户端会一直保持连接，不断接收数据

四、基本用法

1️⃣ 创建 emitter

SseEmitteremitter=newSseEmitter(30000L);// 超时时间

2️⃣ 发送数据

emitter.send("hello");emitter.send(SseEmitter.event().data("流式数据"));

3️⃣ 结束流

emitter.complete();

4️⃣ 异常处理

emitter.completeWithError(e);

五、完整示例（典型流式接口）

@GetMapping("/stream")publicSseEmitterstream(){SseEmitteremitter=newSseEmitter();newThread(()->{try{for(inti=0;i<5;i++){emitter.send("data: "+i);Thread.sleep(1000);}emitter.complete();}catch(Exceptione){emitter.completeWithError(e);}}).start();returnemitter;}

六、前端如何接收？

constsource=newEventSource('/stream');source.onmessage=function(event){console.log(event.data);};

七、和 WebSocket 的区别

特性SSE (SseEmitter)WebSocket
通信方向单向（服务器→客户端）双向
协议HTTPWS
实现难度简单较复杂
适合场景流式输出、通知聊天、游戏

八、你这段代码的实际用途

你这个方法名：

chatStream

结合SseEmitter，非常典型：

👉用于实现 AI 对话的流式返回（像 ChatGPT 一样一边生成一边输出）

九、常见坑（实战经验）

  1. 必须异步线程发送数据

    • 否则会阻塞请求

  2. 要处理超时

    emitter.onTimeout(()->emitter.complete());

  3. Nginx 需要关闭缓冲

    proxy_buffering off;

  4. 连接数要控制

    • 每个用户一个长连接

总结一句话

SseEmitter= Spring 里实现“流式返回 / 实时推送”的核心工具（基于 SSE 协议）

例子

我给你一个**贴近你截图场景（AI 流式输出）**的完整例子，从后端到前端一步讲清楚。

🎯 场景

做一个类似 ChatGPT 的接口：

👉 用户输入：“你好”
👉 页面逐字输出：“你好呀，很高兴见到你…”

🧩 一、后端（Spring Boot + SseEmitter）

1️⃣ Controller

@RestController@RequestMapping("/api/llm")publicclassChatController{@GetMapping("/chat/stream")publicSseEmitterstreamChat(@RequestParamStringmessage){SseEmitteremitter=newSseEmitter(0L);// 不超时newThread(()->{try{// 模拟 AI 一点点返回String[]tokens={"你好","呀，","很高兴","见到你","！"};for(Stringtoken:tokens){Thread.sleep(500);// 模拟生成延迟emitter.send(token);// 👈 核心：推送数据}emitter.send("[DONE]");emitter.complete();// 👈 结束}catch(Exceptione){emitter.completeWithError(e);}}).start();returnemitter;}}

🧠 这一段在干嘛？

👉 本质就是：

服务器每 0.5 秒说一句话

等价于：

你好 呀， 很高兴 见到你 ！ [DONE]

🌐 二、前端（接收流）

方法1：用 fetch（和你图里一样）

asyncfunctionstreamChat(){constresponse=awaitfetch('/api/llm/chat/stream?message=你好');constreader=response.body.getReader();constdecoder=newTextDecoder();letresult="";while(true){const{done,value}=awaitreader.read();if(done)break;constchunk=decoder.decode(value);console.log("收到:",chunk);result+=chunk;// 👉 更新页面document.getElementById("output").innerText=result;}}

页面效果（真实体验）

第1秒：你好 第2秒：你好呀， 第3秒：你好呀，很高兴 第4秒：你好呀，很高兴见到你 第5秒：你好呀，很高兴见到你！

👉 这就是“流式输出”

🔁 三、对比普通接口

❌ 普通接口

等待 5 秒 一次性返回：你好呀，很高兴见到你！

✅ SSE（SseEmitter）

边生成边返回： 你好 → 你好呀 → 你好呀，很高兴 → ...

👉 用户体验：像 AI 在实时“打字”

🔧 四、你截图里的真实对应关系

你图里的代码可以映射成这样：

你图里的东西这个例子里
SseEmitteremitter
emitter.send(...)推 token
streamingModel.chat()模拟 tokens 数组
onPartialResponsefor 循环
[DONE]结束标志
前端 fetchreader.read()

⚠️ 五、实际项目注意点（很关键）

1️⃣ 一定要处理超时

newSseEmitter(0L);// 或设置长时间

2️⃣ 要有结束标志

emitter.send("[DONE]");

3️⃣ 异常要关闭连接

emitter.completeWithError(e);

4️⃣ 不能阻塞主线程

👉 必须用线程 / 异步（你图里也是这样）

✅ 一句话总结

👉 这个例子本质就是：

后端每生成一点内容 → 立刻用 SseEmitter 推给前端 → 前端边收边显示

如果你下一步想更贴近你项目（比如 LangChain4j + OpenAI streaming 那种），我可以给你一个完全对标你截图代码的真实企业级写法。

实战

这段代码的作用可以概括成一句话：

它实现了一个“AI 聊天流式接口”

前端调用/chat/stream后，后端会把大模型生成的内容一边生成、一边推送给前端，而不是等全部生成完再一次性返回。

我按“整体功能 → 执行流程 → 每段代码作用”给你拆开讲。

一、这个接口是干什么的

@PostMapping(value="/chat/stream",produces=MediaType.TEXT_EVENT_STREAM_VALUE)publicSseEmitterchatStream(@RequestBodyMap<String,Object>request)

这行的含义是：

  • 这是一个POST 接口
  • 路径是/chat/stream
  • 返回类型是text/event-stream
  • 返回值是SseEmitter

通俗讲：

👉 前端发来一条聊天请求

👉 后端调用大模型

👉 大模型每吐出一点内容，就立刻发给前端

👉 前端就能看到“打字机效果”

这就是典型的SSE 流式聊天接口。

二、这个接口最终实现了哪些功能

它实际做了 6 件事：

  1. 拿到当前登录用户
  2. 读取前端传来的提问内容
  3. 检查用户有没有配置大模型 API Key
  4. 把用户消息先保存到数据库
  5. 调用大模型进行流式输出
  6. 把模型回复实时推给前端，最后再保存完整回复

三、整体执行流程

你可以把它理解成下面这条链路：

前端发起聊天请求 → 后端取用户信息和参数 → 检查 API Key → 保存用户消息 → 调用大模型流式生成 → 每生成一个 token 就发给前端 → 全部生成完后保存 assistant 消息 → 给前端发 [DONE] → 结束连接

四、逐段解释代码作用

1）定义接口：返回 SSE 流

@PostMapping(value="/chat/stream",produces=MediaType.TEXT_EVENT_STREAM_VALUE)publicSseEmitterchatStream(@RequestBodyMap<String,Object>request)

作用

这是一个聊天流式接口。

关键点

produces = MediaType.TEXT_EVENT_STREAM_VALUE

表示这个接口返回的不是普通 JSON，而是：

text/event-stream

也就是 SSE 格式。

通俗理解

不是一次性返回完整答案，

而是“后端不断往前端推送消息”。

2）获取用户和请求参数

longuserId=StpUtil.getLoginIdAsLong();Stringprompt=(String)request.get("prompt");Stringcontext=(String)request.get("context");LongconversationId=request.get("conversationId")!=null?Long.valueOf(request.get("conversationId").toString()):null;

作用

从当前请求里拿出聊天所需的数据。

分别是什么意思

userId

当前登录用户 ID。

longuserId=StpUtil.getLoginIdAsLong();

说明这个接口是登录后才能调用的，系统要知道“是谁在提问”。

prompt

用户当前输入的问题。

比如：

"帮我写一份周报"

context

上下文内容。

比如可能是前面几轮聊天记录，或者额外背景说明。

conversationId

会话 ID。

用于标识这条消息属于哪个聊天会话。

如果没有，就可能是新会话。

3）创建 SSE 通道和完整回复缓存

SseEmitteremitter=newSseEmitter(300000L);StringBuilderfullResponse=newStringBuilder();

SseEmitter emitter

创建一个 SSE 推送对象。

newSseEmitter(300000L)

表示：

  • 创建一条 SSE 长连接
  • 超时时间 300000 毫秒
  • 也就是5 分钟

通俗理解

像开了一根“消息管道”，后面模型生成的内容都会从这根管道发给前端。

StringBuilder fullResponse

用于把模型返回的所有 token 拼起来。

因为模型是一个字一个字、一段一段返回的，最后要把完整答案拼出来，保存到数据库。

4）外层 try：整个流程的总保护

try{...}catch(Exceptione){...}

作用

防止接口在初始化阶段直接崩掉。

比如：

  • 取 API Key 失败
  • 创建模型失败
  • 参数异常
  • 数据库保存失败

如果这里出错，会给前端发一个错误消息并结束连接。

5）检查用户有没有配置大模型 Key

varllmKey=llmKeyService.getDefaultLLMKey(userId);if(llmKey==null){emitter.send(SseEmitter.event().data("{\"event\":\"error\",\"data\":\"请先配置大模型 API Key\"}"));emitter.complete();returnemitter;}

作用

先检查当前用户有没有配置默认的大模型 API Key。

为什么要做这个

因为后面调用大模型必须依赖：

  • API Key
  • Base URL
  • 模型名

如果这些都没有，根本没法请求模型。

处理方式

如果没配置：

  1. 通过 SSE 给前端发错误信息
  2. 结束连接
  3. 直接返回

通俗理解

像系统先检查“你有没有油卡”，没有就别开车了。

6）拼接最终 prompt

StringfullPrompt=context!=null&&!context.isEmpty()?context+"\n"+prompt:prompt;

作用

把上下文和当前问题拼成最终发给模型的输入。

逻辑

  • 如果有context，就：
context + 换行 + prompt
  • 如果没有，就只用prompt

举个例子

假设：

context = "你是一个Java老师" prompt = "解释一下SSE"

拼出来就是：

你是一个Java老师 解释一下SSE

通俗理解

这是在告诉模型：

“这是背景，这是本次问题，请一起参考回答。”

7）先保存用户消息

chatMessageService.saveMessage(userId,conversationId,"user",fullPrompt,llmKey.getModelName());

作用

把用户这次提问先存到数据库。

存了什么

大概率包括：

  • 用户 ID
  • 会话 ID
  • 角色：user
  • 内容：fullPrompt
  • 模型名

为什么先存

因为这样聊天记录能完整保存下来，后面可以在会话列表里查看。

8）获取流式大模型对象

varstreamingModel=llmService.getStreamingChatModel(llmKey.getApiKey(),llmKey.getBaseUrl(),llmKey.getModelName());

作用

根据用户配置的参数，创建一个“支持流式输出”的模型客户端。

这里用到了

  • API Key
  • Base URL
  • 模型名

通俗理解

这一步是在“接通大模型服务”。

9）保存模型名

StringmodelName=llmKey.getModelName();

作用

把模型名单独保存下来，方便在回调内部使用。

因为匿名内部类里引用外部变量时，通常希望变量明确、稳定。

10）发起流式聊天

streamingModel.chat(fullPrompt,newStreamingChatResponseHandler(){

作用

调用大模型开始生成回答，并注册回调处理器。

通俗理解

你可以理解成：

把问题交给模型 然后告诉它： - 你每吐一点内容，就通知我 - 全部吐完了，也通知我 - 出错了，也通知我

这个StreamingChatResponseHandler就是专门处理这些过程事件的。

五、三个核心回调方法

这是整段代码最关键的地方。

1）onPartialResponse：收到部分内容时

@OverridepublicvoidonPartialResponse(Stringtoken){try{fullResponse.append(token);emitter.send(SseEmitter.event().data(token));}catch(IOExceptione){log.error("Failed to send token: {}",e.getMessage());emitter.completeWithError(e);}}

作用

每当模型生成一点内容，就会进这个方法。

这里做了两件事

第一件：拼接到完整答案里

fullResponse.append(token);

比如模型依次返回：

你 好 ，很 高兴 见到你

这里会慢慢拼成：

你好，很高兴见到你

第二件：实时推给前端

emitter.send(SseEmitter.event().data(token));

把当前 token 立刻通过 SSE 发给前端。

通俗理解

模型每“说一个字”，后端就立刻转发给页面。

所以前端看到的是“边生成边显示”。

异常处理

catch(IOExceptione){...emitter.completeWithError(e);}

如果发送失败，比如：

  • 前端断开了
  • 网络中断
  • SSE 通道出问题

那就记录日志，并把连接按异常结束。

2）onCompleteResponse：模型全部生成完成时

@OverridepublicvoidonCompleteResponse(ChatResponseresponse){try{chatMessageService.saveMessage(userId,conversationId,"assistant",fullResponse.toString(),modelName);emitter.send(SseEmitter.event().data("[DONE]"));emitter.complete();}catch(IOExceptione){log.error("Failed to send complete event: {}",e.getMessage());emitter.completeWithError(e);}}

作用

当模型已经完整回答完时执行。

这里做了三件事

第一件：保存 assistant 的完整回答

chatMessageService.saveMessage(userId,conversationId,"assistant",fullResponse.toString(),modelName);

把刚才拼出来的完整回复保存到数据库。

保存的是：

  • 用户 ID
  • 会话 ID
  • 角色：assistant
  • 完整内容
  • 模型名

这就形成一条完整聊天记录。

第二件：给前端发送结束标志

emitter.send(SseEmitter.event().data("[DONE]"));

告诉前端：

模型已经输出完了

前端一般会根据[DONE]：

  • 停止 loading
  • 停止继续拼接流
  • 把消息状态改为完成

第三件：关闭 SSE 连接

emitter.complete();

正常结束。

通俗理解

这相当于：

模型说完了 → 把完整答案存档 → 通知前端“结束了” → 挂断连接

3）onError：模型处理出错时

@OverridepublicvoidonError(Throwableerror){try{emitter.send(SseEmitter.event().data("[ERROR] "+error.getMessage()));emitter.complete();}catch(IOExceptione){log.error("Failed to send error event: {}",e.getMessage());emitter.completeWithError(e);}}

作用

如果模型生成过程中出错，会进入这里。

比如：

  • 模型接口调用失败
  • API Key 无效
  • 网络异常
  • 上游服务超时

处理方式

  1. 给前端发错误信息
  2. 结束连接

通俗理解

不是正常说完，而是中途出故障了，于是告诉前端“报错了”。

六、外层 catch：启动阶段异常处理

}catch(Exceptione){log.error("Failed to start streaming chat: {}",e.getMessage(),e);try{emitter.send(SseEmitter.event().data("[ERROR] "+e.getMessage()));}catch(IOExceptionioException){log.error("Failed to send error event: {}",ioException.getMessage());}emitter.complete();}

作用

处理“还没进入流式回调之前”的异常。

比如：

  • 获取默认 Key 失败
  • 拼 prompt 出错
  • 保存用户消息失败
  • 创建 streamingModel 失败

逻辑

  • 记录错误日志
  • 尝试通知前端
  • 结束 SSE 连接

七、超时和完成回调

1）超时处理

emitter.onTimeout(()->{log.warn("SSE emitter timeout");emitter.complete();});

作用

如果 SSE 超时了，就记日志并结束连接。

因为你前面设置的是：

newSseEmitter(300000L)

所以 5 分钟没完成，就会触发超时处理。

通俗理解

为了防止连接一直挂着不结束。

2）完成回调

emitter.onCompletion(()->{log.debug("SSE emitter completed");});

作用

当 SSE 连接最终结束时，打一个调试日志。

无论是：

  • 正常结束
  • 异常结束
  • 超时结束

最后都可能触发 completion。

通俗理解

相当于留个“收尾记录”。

八、最后返回 emitter

returnemitter;

作用

把这个 SSE 通道返回给前端。

返回后，前端和后端之间就建立了流式连接，后面后端就可以持续send(...)数据过去。

九、这段代码的核心价值

这段代码最核心的功能是：

1. 支持 AI 流式输出

不是等模型全答完，而是逐步返回。

2. 支持会话记录保存

用户消息和 AI 回复都会入库。

3. 支持多会话

通过conversationId区分聊天上下文。

4. 支持异常处理

没配置 Key、模型报错、发送失败，都有处理。

5. 支持超时控制

避免 SSE 长时间挂死。

十、把它翻译成大白话

如果把整段代码翻成生活语言，就是：

用户发来一个问题 → 系统先确认这个用户是谁 → 看他有没有配置大模型账号 → 把用户的问题记下来 → 去问大模型 → 模型每说一句，就立刻转发给前端 → 前端就能实时显示 → 模型说完后，把完整回答存起来 → 告诉前端“结束了” → 关闭连接

十一、这段代码里最关键的几个点

你要抓住这几个核心点：

SseEmitter

负责“流式推送”

streamingModel.chat(...)

负责“调用支持流式输出的大模型”

onPartialResponse

负责“每来一点内容就发给前端”

fullResponse.append(token)

负责“把零散 token 拼成完整答案”

saveMessage(...)

负责“存聊天记录”

[DONE]

负责“告诉前端本次流结束”

十二、这段代码的一个小风险点

这段代码能跑，但从工程角度有一个值得注意的点：

streamingModel.chat(fullPrompt,newStreamingChatResponseHandler(){

如果这个chat(...)底层不是异步的，而是阻塞当前请求线程，那么高并发下可能占住 Web 线程较久。

也就是说，要看streamingModel.chat的底层实现是不是异步回调模型。

如果它本身是异步的，这样写没问题。

如果它不是，生产环境一般会再做线程池隔离。

十三、一句话总结

这段代码实现了一个“带会话保存、异常处理、超时控制的 AI 流式聊天接口”，核心机制是用SseEmitter把大模型生成的内容实时推送给前端。

如果你愿意，我下一条可以继续帮你做两件事里的一个：

要么给你画这段代码的执行流程图，要么逐行解释每一行代码。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/5/25 4:34:40

如何快速掌握GHelper：华硕游戏本性能调校的完整指南

如何快速掌握GHelper&#xff1a;华硕游戏本性能调校的完整指南 【免费下载链接】g-helper Lightweight, open-source control tool for ASUS laptops and ROG Ally. Manage performance modes, fans, GPU, battery, and RGB lighting across Zephyrus, Flow, TUF, Strix, Scar…

作者头像 李华
网站建设 2026/5/23 1:41:18

创新型GTA模组管理器：高效实现安全管理与动态加载的完整指南

创新型GTA模组管理器&#xff1a;高效实现安全管理与动态加载的完整指南 【免费下载链接】modloader Mod Loader for GTA III, Vice City and San Andreas 项目地址: https://gitcode.com/gh_mirrors/mo/modloader 在GTA游戏模组管理领域&#xff0c;玩家长期面临着文件…

作者头像 李华
网站建设 2026/5/23 1:41:20

阴阳师终极护肝指南：如何用FK-Onmyoji脚本自动化游戏任务

阴阳师终极护肝指南&#xff1a;如何用FK-Onmyoji脚本自动化游戏任务 【免费下载链接】FK-Onmyoji 阴阳师抗检测多功能脚本 项目地址: https://gitcode.com/gh_mirrors/fk/FK-Onmyoji 你是否厌倦了在《阴阳师》中重复点击相同的按钮&#xff1f;是否希望在忙碌的生活中也…

作者头像 李华
网站建设 2026/5/23 1:41:20

RWKV7-1.5B-G1A在Proteus仿真中的虚拟调试信息分析

RWKV7-1.5B-G1A在Proteus仿真中的虚拟调试信息分析 1. 引言 作为一名电子工程师&#xff0c;你是否曾在Proteus仿真中面对密密麻麻的波形数据和调试信息感到无从下手&#xff1f;那些闪烁的示波器曲线、跳动的逻辑分析仪数据&#xff0c;往往隐藏着电路设计的关键线索。传统的…

作者头像 李华
网站建设 2026/5/23 1:41:27

【20】软考软件设计师——结构型模式（一）：适配器与桥接考点精讲与真题突破

摘要：本文是《软件设计师50讲通关｜从零基础到工程师职称》专栏第20篇，属于模块三：设计模式专项结构型模式开篇内容，聚焦适配器模式与桥接模式两大核心考点。文章系统讲解类适配器、对象适配器的实现原理与差异，深入剖析桥接模式“分离抽象与实现”的核心思想、多维度变化…

作者头像 李华
网站建设 2026/5/23 1:41:28

Alpamayo-R1-10B代码实例：Python脚本调用alpamayo_r1/test_inference.py

Alpamayo-R1-10B代码实例&#xff1a;Python脚本调用alpamayo_r1/test_inference.py 1. 项目概述 Alpamayo-R1-10B是一个专为自动驾驶设计的开源视觉-语言-动作(VLA)模型&#xff0c;具有100亿参数规模。这个模型结合了AlpaSim模拟器和Physical AI AV数据集&#xff0c;形成了…

作者头像 李华