当前位置:首页 > 文章列表 > Golang > Go问答 > 错误包装

错误包装

来源:17golang原创 2026-11-11 17:02:09 0浏览 收藏

Go 的错误包装,关键不在日志文字长不长,而在新错误是否保留了原错误链。用 fmt.Errorf("读取配置: %w", err) 增加上下文,errors.Is 仍能找到底层错误;如果把同一位置写成 %v,打印结果可能几乎一样,但匹配会失败。需要让上层按根因分支时用 %w,只想生成一条展示文本时才用 %v。

官方文档:https://pkg.go.dev/fmt https://pkg.go.dev/errors

要点速览
  • %w 会为错误包装提供 Unwrap,errors.Is 才能继续查找。
  • %v 只负责格式化文本;日志相同,不代表错误语义相同。
  • 错误链留给程序判断,错误文本留给人阅读,两者不要混用。

先用同一个错误看清两种写法

下面故意让两条错误都包含相同的上下文。区别只在包装动词,因此更容易定位“看起来一样、判断却不同”的原因。

package main

import (
    "errors"
    "fmt"
)

var ErrQuota = errors.New("quota exceeded")

func withChain() error {
    // %w 保留 ErrQuota,让调用方可以继续检查错误链。
    return fmt.Errorf("保存订单失败: %w", ErrQuota)
}

func withTextOnly() error {
    // %v 只把错误格式化进文本,不建立可遍历的包装关系。
    return fmt.Errorf("保存订单失败: %v", ErrQuota)
}

func main() {
    fmt.Println(withChain())
    fmt.Println(errors.Is(withChain(), ErrQuota))
    fmt.Println(withTextOnly())
    fmt.Println(errors.Is(withTextOnly(), ErrQuota))
}

两条错误打印出来都带有“保存订单失败: quota exceeded”,但最后两个判断分别是 true 和 false。因此不能用日志是否相同来判断包装是否成功。

判断依据是 Unwrap,不是错误字符串

fmt.Errorf 的格式串包含 %w 且参数实现了 error 时,返回值会实现返回底层错误的 Unwrap() error。errors.Is 会先比较当前错误,再沿着 Unwrap 继续向下查找;这也是它比 err == ErrQuota 更适合处理包装错误的原因。

Go fmt.Errorf 使用 %w 保留错误链并由 errors.Is 向下匹配的静态结构说明图
图1:错误链结构说明图;%w 连接上下文错误与根因,%v 只生成文本。

可以把它理解成两条不同的数据路径:

写法输出文本错误链适合场景
%w有上下文保留,可被 Is/As 查找跨层返回、需要分类处理
%v有上下文不保留只做展示或最终日志

服务层包装、调用层判断的落地方式

推荐让每一层只补充自己知道的上下文,把是否重试、返回什么状态码等决策放在更上层。这样既保留定位信息,也不会让底层包依赖业务层的处理策略。

func saveOrder() error {
    if err := persist(); err != nil {
        // 这一层只补充动作和对象,不吞掉底层原因。
        return fmt.Errorf("保存订单: %w", err)
    }
    return nil
}

func handle() error {
    err := saveOrder()
    if errors.Is(err, ErrQuota) {
        // 依据哨兵错误做稳定分支,不依赖中文错误文本。
        return fmt.Errorf("请求过于频繁,请稍后重试")
    }
    return err
}

如果最终只需要写日志或把错误传给不再做判断的边界,%v 可以接受;但在中间层使用它,会切断后续的 errors.Is 和 errors.As。

Go 错误包装在服务层与调用层之间选择 %w 或 %v 的决策流程说明图
图2:错误包装决策说明图;中间层保留根因,终点层才把错误变成展示文本。

几个容易误判的边界

  • 包装参数必须是 error。把普通字符串或数字放在 %w 后面不是正确的错误链设计;需要格式化普通值时用 %v 或其他动词。
  • 不要比较错误文本。文案会随着上下文、翻译和日志策略变化;可比较的哨兵错误或自定义 Is 方法更稳定。
  • nil 仍要先判断。只有在底层返回非 nil 错误时才包装,避免把“没有错误”写成一条新错误。
  • 测试要同时测文本和语义。文本断言检查用户可读性,errors.Is 断言检查调用契约,两者用途不同。

常见问题

%w 和 %v 的日志输出一定不同吗?

不一定。对普通错误参数,它们经常产生相同的文本;真正的差异是是否保留错误链。

已经用了 %v,还能在上层恢复原错误吗?

通常不能。原错误只剩在字符串里,除非你另行传递结构化错误值,否则无法可靠地恢复。

什么时候应该直接返回原错误?

当当前层没有新增上下文时可以直接返回;只要补充了操作、对象或阶段信息,就用 %w 保留根因。

记忆这条边界即可:错误文本服务人,错误链服务程序。需要让程序继续判断,就用 %w;只需要一次性展示,才考虑 %v。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go httptrace.ClientTrace Got1xxResponse 怎样记录一百级响应Go httptrace.ClientTrace Got1xxResponse 怎样记录一百级响应
上一篇
Go httptrace.ClientTrace Got1xxResponse 怎样记录一百级响应
错误链
下一篇
错误链
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    983次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    986次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1105次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1076次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    916次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码