Rswag中处理多对象查询参数的实践指南
问题背景
在使用Rswag进行API文档生成和测试时,开发者经常会遇到需要传递多个对象作为查询参数的情况。例如,在一个搜索接口中,我们可能需要同时传递搜索条件(search)和分页信息(pagination)两个对象参数。
常见错误做法
许多开发者会尝试以下写法:
parameter name: :search, in: :query, schema: {
type: :object,
properties: {
query: { type: :string, example: 'foo' },
sort: { type: :string, example: 'created_at_desc' }
}
}
parameter name: :pagination, in: :query, schema: {
type: :object,
properties: {
page: { type: :integer, example: 1 },
per: { type: :integer, example: 10 }
}
}
这种写法虽然生成的YAML文档看起来正确,但在实际测试时会产生错误的查询字符串格式,如search?query=foo&sort=created_at_desc&page=1&per=10,这不符合Rails处理嵌套参数的惯例。
解决方案一:使用params包装器
最可靠的方式是将所有对象参数包装在一个顶层params对象中:
parameter name: :params, in: :query, schema: {
type: :object,
properties: {
search: {
type: :object,
properties: {
query: { type: :string, example: 'foo' },
sort: { type: :string, example: 'created_at_desc' }
}
},
pagination: {
type: :object,
properties: {
page: { type: :integer, example: 1 },
per: { type: :integer, example: 10 }
}
}
}
}
对应的测试用例写法:
response 200, 'success' do
let(:params) { { search: { query: 'foo', sort: 'created_at_desc' }, pagination: { page: 1, per: 10 } } }
run_test!
end
这种方式会生成符合Rails惯例的查询字符串格式:?search[query]=foo&search[sort]=created_at_desc&pagination[page]=1&pagination[per]=10
解决方案二:使用deepObject样式
OpenAPI 3.0+支持通过style: :deepObject参数来指定嵌套对象的序列化方式:
parameter name: :search, in: :query, schema: {
type: :object,
properties: {
query: { type: :string, example: 'foo' },
sort: { type: :string, example: 'created_at_desc' }
}
}, style: :deepObject
parameter name: :pagination, in: :query, schema: {
type: :object,
properties: {
page: { type: :integer, example: 1 },
per: { type: :integer, example: 10 }
}
}, style: :deepObject
这种方式理论上应该生成类似?search[query]=foo&search[sort]=created_at_desc&pagination[page]=1&pagination[per]=10的查询字符串,但在某些Rswag版本中可能存在兼容性问题。
最佳实践建议
-
优先使用params包装器方案:这是最稳定可靠的方式,兼容性最好,生成的文档结构也清晰。
-
注意参数命名一致性:确保测试用例中的参数名(:params)与文档定义中的参数名一致。
-
考虑API使用者体验:无论选择哪种方式,都应确保生成的API文档清晰易读,参数结构一目了然。
-
版本兼容性检查:如果使用deepObject样式,需要确认使用的Rswag版本是否完全支持OpenAPI 3.0规范。
总结
在Rswag中处理多对象查询参数时,开发者需要特别注意参数的嵌套结构和序列化方式。通过合理使用params包装器或deepObject样式,可以确保生成的API文档和实际请求格式符合预期。在实际项目中,建议根据团队的技术栈和API设计规范选择最适合的方案。
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