Malli项目中Swagger JSON全局定义缺失问题分析
2025-07-10 12:33:08作者:田桥桑Industrious
问题背景
在使用Malli(0.14.0)和Reitit(0.7.0-alpha7)构建API时,开发者发现生成的Swagger JSON文档存在一个关键问题:当Schema被用于请求参数时,相关的全局定义没有出现在Swagger的/definitions部分,而仅响应体中的Schema定义被正确导出。
问题现象
具体表现为:当路由配置同时包含请求参数和响应体定义时,例如:
:parameters {:body [:map [:company ::validation/company1]]}
:responses {200 {:body ::validation/company2}}
生成的Swagger JSON中,只有company2出现在全局定义部分,而company1的定义缺失,尽管在请求参数部分有对它的引用。
深入分析
经过进一步测试,发现该问题与:parameters映射的结构密切相关:
- 单一参数类型:当
:parameters只包含单一键(如仅有:body)时,定义能够正确导出 - 多参数类型:当
:parameters包含多个键(如:path、:query和:body同时存在)时,定义导出失败 - 键顺序影响:有趣的是,当
:body作为:parameters映射的第一个键时,定义又能正确导出
这表明问题可能与Malli处理参数映射的顺序或方式有关。
技术原理
在Swagger/OpenAPI规范中,所有被引用的Schema都应该在全局definitions部分声明。Malli作为Schema库,负责将这些Clojure数据结构转换为符合规范的JSON Schema定义。
当处理路由定义时,Malli需要:
- 遍历所有参数和响应定义
- 收集所有被引用的Schema
- 将它们转换为JSON Schema并放入全局定义部分
当前实现中,对于复合参数映射的处理存在缺陷,导致部分Schema未被正确收集。
解决方案
虽然该问题在较新版本(Malli 0.16.0)中可能已被修复,但对于使用旧版本的用户,可以采取以下临时解决方案:
- 调整参数顺序:确保
:body参数位于:parameters映射的首位 - 分离参数定义:将复杂参数拆分为多个独立的路由定义
- 升级版本:考虑升级到最新稳定版Malli和Reitit
最佳实践建议
为避免类似问题,建议开发者在API设计时:
- 保持参数结构简单清晰
- 对复杂Schema进行充分测试
- 定期更新依赖库版本
- 编写自动化测试验证生成的Swagger文档完整性
总结
Schema定义导出是API文档生成的关键环节。Malli项目中的这一问题提醒我们,在使用Schema库时,不仅要关注核心功能,还需要验证其与文档生成工具的集成效果。通过理解问题本质和解决方案,开发者可以构建出更健壮、文档更完善的API系统。
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
680
160
🔥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
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660