微信 H5 缓存控制:后端重定向 & 前端强制刷新

在 Web 开发中,缓存是一把双刃剑。对于静态资源,它能极大提升加载速度;但对于业务逻辑频繁变动的 H5 页面(如支付、订单页),缓存往往会导致用户看到过期的数据或界面。最近在维护一个 uni-app 项目时,遇到了一段关于 H5 缓存控制的逻辑,引发了我对于“后端重定向加时间戳”和“前端 JS 加时间戳”这两种方案的思考。虽然两者的最终目的一致,但在 Hash 模式下,它们的实现原理和效果有着本质的区别。

一、 问题背景

在应用启动的生命周期中,通常会有这样一段逻辑:当用户访问特定的关键页面(如支付、订单页)时,如果当前 URL 中缺少时间戳参数,前端会自动解析 URL,追加当前时间戳,并强制页面刷新。

这就引出了一个问题:为什么不直接在后端重定向时加时间戳?这两种方式有什么区别?

二、 核心区别:执行时机与作用域

虽然两种方式都能通过修改 URL 参数来欺骗浏览器,使其认为这是一个新请求,进而绕过缓存,但它们的工作流程完全不同。

我们可以用一个通俗的“进商场”例子来类比:

维度后端重定向加时间戳 (迎宾员模式)前端 JS 加时间戳 (服务员模式)
执行者服务器浏览器
发生时机用户发起请求的瞬间,页面还未加载页面已经加载,JS 开始运行后
工作流程浏览器请求 -> 服务器拦截并返回 302 -> 浏览器自动跳转新 URL浏览器加载旧页面 -> JS 检测 URL -> JS 修改 href -> 浏览器跳转
用户体验无感知,直接进入最终页面可能会看到旧页面闪一下,然后跳转刷新
主要作用解决入口缓存问题解决内部路由缓存问题

三、 为什么这里必须用前端方案?(Hash 模式的特殊性)

这段代码所在的 uni-app 项目是一个典型的 SPA(单页应用),且采用了 Hash 模式(URL 中包含 #)。这是选择前端方案的决定性因素。

1. 后端的“盲区”

在 Hash 模式下,URL 形如 http://example.com/#/order
当用户在应用内部跳转(如从首页跳转到订单页)时,仅仅是 # 后面的 Hash 值发生了变化。这个过程不会向服务器发送 HTTP 请求,后端完全感知不到用户进入了哪个页面。因此,后端无法在用户进入特定页面时进行拦截并重定向。

2. 关键细节:时间戳加在哪里?

在 Hash 模式下实现前端刷新,有一个极易被忽视的细节:时间戳参数必须加在 # 号之前

  • ❌ 错误做法:加在 # 后面(如 #/order?t=123)。
    这仅改变了前端路由状态,不会触发浏览器刷新,也就无法更新 HTML 或 JS 的缓存。
  • ✅ 正确做法:加在 # 前面(如 /?t=123#/order)。
    这改变了请求的 Base URL,迫使浏览器向服务器发起一次全新的请求,从而拉取最新的页面资源。

3. 兜底机制

当用户已经在应用内部跳转到了订单页,此时如果浏览器缓存了旧的 HTML 结构,用户可能看到错误的数据。这时候,只有运行在浏览器里的 前端 JS 能够感知到“我现在在订单页”并且“URL 里没有时间戳”,从而执行强制刷新逻辑。

四、 总结与建议

后端重定向前端强制刷新并不是二选一的关系,而是互补的关系:

  • 后端重定向:适用于解决首次访问外部链接跳转时的缓存问题。它是第一道防线,确保用户进门时拿到的就是最新的菜单。
  • 前端强制刷新:适用于解决应用内部跳转时的缓存问题。它是最后一道防线,确保用户在应用内部流转时,关键业务页面(如支付)的数据绝对是最新的。

最佳实践建议
虽然前端加时间戳能解决问题,但会带来“页面闪烁”的副作用。更优的方案是:

  1. 后端配置正确的 HTTP 缓存策略(如 Cache-Control: no-cache),从源头告诉浏览器不要缓存 HTML。
  2. 对于无法控制服务头的场景,或者为了兼容性,使用文中的前端 JS 方案作为保底手段,专门针对对数据一致性要求极高的页面(如支付、订单)进行处理,且务必将时间戳加在 Hash 之前

Read more

Spatial Joy 2025 全球 AR&AI 赛事:开发者要的资源、玩法、避坑攻略都在这

Spatial Joy 2025 全球 AR&AI 赛事:开发者要的资源、玩法、避坑攻略都在这

《Spatial Joy 2025 全球 AR&AI 赛事:开发者要的资源、玩法、避坑攻略都在这》 Spatial Joy 2025 Rokid乐奇 全球 AR&AI 开发大赛 值不值得参加?不少参加过连续两届 Rokid乐奇 赛事的老兵,纷纷表示非常值得参加。 先说最实在的——奖金。 AR赛道分为应用和游戏两个赛道,金奖各20万人民币,而且是现金!交完税全是你自己的!这还不够,AR赛道总共设了27个奖项,据我打听到的往年数据,能正常跑进初赛的作品大概就60-70个,这意味着获奖比例相当高。 20万就封顶了吗?远远没有!亚马孙科技给使用Kiro并获奖的开发者,在原奖金基础上再加20%现金奖励! AI赛道同样设置了27个奖项,奖金从1万到5万不等,主要以智能体开发为主,支持市面上所有智能体平台的适配。也就是说,你之前做的智能体微调一下就能参赛! 更重要的是,现在正是智能眼镜行业爆发前夜。据我观察,

机器人架构搭建核心准则:先论文论证,后工程落地

机器人架构搭建核心准则:先论文论证,后工程落地

原创声明:本文为原创技术干货,基于真实工程实践总结,未经授权严禁转载与篡改。 本文写给那些正在或将要主导机器人架构的技术决策者与一线工程师——无论你是CTO、架构师,还是嵌入式开发、算法工程师,只要你关心如何让机器人项目不再烂尾,这篇文章值得你读完。 注意:文中反复出现的“论文”,特指“工程论文”(区别于学术论文),是一份写给团队自己的工程蓝图。请务必读完第二部分的定义,再决定是否认同。 核心观点 在机器人架构设计与实施过程中,先完成系统性论文论证,再开展工程化架构落地,是保障项目可行、流程闭环、资源高效利用的核心前提,也是区分专业机器人架构师与无序开发的关键标准。 金句:先论文后落地,本质上是用确定性的逻辑推导,去对抗不确定性的物理世界。 一、行业普遍认知误区 当前机器人领域从业者普遍存在开发误区:直接跳过前期规划与逻辑论证,盲目开展硬件采购、框架搭建、代码开发与接口调试,将功能拼接等同于架构设计。这种模式缺乏顶层逻辑支撑与可行性验证,本质是无方向的盲目实施,也是多数机器人项目停滞、返工、烂尾的核心诱因。 这种开发就像农村自建房,凭感觉垒砖,从不考虑地质勘测和结构力学

无人机避障新思路:手把手教你用APF-RRT*算法实现高效轨迹规划(附Python代码)

无人机避障新思路:手把手教你用APF-RRT*算法实现高效轨迹规划(附Python代码) 去年夏天,我在一个无人机巡检项目里遇到了一个棘手的问题:传统的RRT算法在复杂林地环境中规划路径时,经常“卡”在密集的树木之间,要么采样效率低下导致规划时间过长,要么生成的路径曲折得让无人机像喝醉了一样左右摇摆。团队尝试了各种参数调整,效果都不理想。直到我们把人工势场法的引导机制引入到双向RRT*算法中,情况才发生了根本性转变——不仅规划速度提升了近70%,生成的路径也平滑了许多。 这种结合了APF(人工势场法)和双向RRT的混合算法,如今已经成为许多无人机开发者解决复杂环境路径规划的秘密武器。它巧妙地将APF的方向引导优势与RRT的渐进最优特性结合起来,同时利用双向搜索大幅提升收敛速度。今天,我就从工程实践的角度,带你一步步实现这个算法,分享我在实际项目中积累的参数调优经验,并提供可直接运行的Python代码。 1. 理解APF-RRT*算法的核心思想 在开始写代码之前,我们需要先弄清楚这个混合算法到底解决了什么问题。传统的RRT算法虽然概率完备,但在复杂环境中存在明显的局限性:随机采

项目介绍 MATLAB实现基于LSTM-ACO 长短期记忆网络(LSTM)结合蚁群算法(ACO)进行无人机三维路径规划的详细项目实例(含模型描述及部分示例代码) 还请多多点一下关注 加油 谢谢 你的鼓

项目介绍 MATLAB实现基于LSTM-ACO 长短期记忆网络(LSTM)结合蚁群算法(ACO)进行无人机三维路径规划的详细项目实例(含模型描述及部分示例代码) 还请多多点一下关注 加油 谢谢 你的鼓

MATLAB实现基于LSTM-ACO 长短期记忆网络(LSTM)结合蚁群算法(ACO)进行无人机三维路径规划的详细项目实例 更多详细内容可直接联系博主本人   或者访问对应标题的完整博客或者文档下载页面(含完整的程序,GUI设计和代码详解) 随着人工智能和自主导航技术的飞速发展,无人机(UAV)在军事侦察、环境监测、物流配送和灾害救援等领域展现出巨大的应用前景。三维空间中的路径规划作为无人机自主飞行的核心技术之一,直接决定着无人机的安全性、效率和智能化水平。在复杂多变的三维环境下,障碍物分布复杂且动态变化,传统的二维路径规划方法无法满足无人机实际作业对灵活性和安全性的高要求。三维路径规划要求不仅能高效地避开多种类型的障碍物,还要在有限的能量和时间约束下完成任务,这对算法的全局搜索能力、收敛速度和路径平滑性提出了更高的挑战。 近年来,深度学习技术与群体智能算法的结合成为智能路径规划的重要研究方向。长短期记忆网络(LSTM)因其优异的时序信息学习能力,在处理复杂轨迹数据、预测无人机运动趋势等任务中表现突出。与此同时,蚁群算法(ACO)以其自适应全局优化能力,能够高效地搜索到最优