在openapi-typescript项目中实现SWR对非GET请求的支持
2025-06-01 17:38:35作者:魏侃纯Zoe
在实际开发中,我们经常会遇到需要从POST请求获取数据的场景。虽然RESTful规范建议使用GET方法获取数据,但现实情况往往更为复杂。本文将探讨如何在openapi-typescript的SWR集成中实现对非GET请求的支持。
问题背景
在标准的RESTful API设计中,GET方法通常用于数据获取。然而实际项目中,我们可能会遇到以下特殊情况:
- 服务器端对GET请求参数长度有限制
- 需要传递复杂数据结构作为参数
- 历史遗留API设计
- 安全考虑需要将敏感参数放在请求体中
这些情况都可能导致我们需要通过POST方法来获取数据,而openapi-typescript默认的SWR集成只支持GET请求。
技术实现分析
openapi-typescript的SWR集成内部使用了一个简单的fetcher函数,其核心实现如下:
async ([_, path, init]) => {
const res = await client.GET(path, init);
if (res.error) {
throw res.error;
}
return res.data;
}
可以看到,该方法强制使用了GET方法,因此类型系统也限制了只能使用GET端点。
解决方案
方案一:自定义SWR Hook
我们可以创建一个自定义Hook来支持POST请求:
import useSWR from "swr";
import createClient from "openapi-fetch";
import type { paths } from "./api-types";
const client = createClient<paths>();
function usePostQuery<Path extends keyof paths>(
path: Path,
body: paths[Path]["post"]["requestBody"]["content"]["application/json"]
) {
return useSWR([path, body], async ([path, body]) => {
const res = await client.POST(path, { body });
if (res.error) throw res.error;
return res.data;
});
}
这个自定义Hook提供了与原生useQuery相似的体验,同时支持POST请求。
方案二:扩展库功能
从库设计角度,可以考虑添加一个更通用的useFetch Hook:
function useFetch<M extends keyof paths[P], P extends keyof paths>(
method: M,
path: P,
config?: RequestConfig<M, P>
) {
// 实现细节
}
这样设计可以提供更大的灵活性,支持所有HTTP方法。
最佳实践建议
- 缓存策略:对于数据获取的POST请求,确保设置合理的缓存键,通常应该包含请求体内容
- 类型安全:充分利用TypeScript泛型来保持类型安全
- 错误处理:统一错误处理逻辑,与项目中其他数据获取方式保持一致
- 性能优化:考虑实现请求去重,避免相同参数的重复请求
总结
虽然openapi-typescript的SWR集成默认只支持GET请求,但通过自定义Hook或扩展库功能,我们可以轻松实现对非GET请求的支持。这种灵活性在处理现实世界中的API时尤为重要,开发者可以根据实际需求选择最适合的解决方案。
对于长期项目,建议考虑向开源社区贡献这些扩展功能,让更多开发者受益。在实现时要注意保持类型安全和良好的开发者体验,同时遵循SWR的最佳实践。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217