Valibot 中实现可复用的异步表单验证
2025-05-29 12:53:09作者:尤峻淳Whitney
在 Valibot 表单验证库中,开发者经常会遇到需要复用异步验证逻辑的场景。本文将通过一个实际案例,介绍如何在 Valibot 中优雅地实现可复用的异步验证功能。
问题背景
假设我们有以下两个表单接口:
interface IPostalCodeForm {
Country: string;
PostalCode: string;
}
interface IAddressCreateForm extends IPostalCodeForm {
Name: string;
}
这两个表单都需要对邮政编码进行异步验证,检查该邮政编码在指定国家是否有效。我们希望在多个地方复用这个验证逻辑。
初始解决方案
开发者最初尝试直接在 schema 中内联定义验证逻辑:
const Form = v.pipeAsync(AddressCreateSchema, v.customAsync(async (input: unknown) => {
// 类型守卫和验证逻辑...
}));
这种方法虽然可行,但存在几个问题:
- 需要手动编写类型守卫来确保类型安全
- 验证逻辑无法复用
- 代码结构不够清晰
改进方案
Valibot 提供了更优雅的方式来实现可复用的验证逻辑。核心思路是使用泛型函数来封装验证逻辑:
function createPostalCodeValidator<T extends IPostalCodeForm>() {
return v.checkAsync<T>(async (input) => {
const result = await PostalCodeExistsAsync(input.PostalCode, input.Country);
if (result !== true) {
return false; // 验证失败
}
return true; // 验证通过
});
}
使用方式:
const AddressCreateSchema = v.pipeAsync(
v.object({
Name: NameSchema,
Country: CountrySchema,
PostalCode: PostalCodeSchema
}),
createPostalCodeValidator()
);
最佳实践建议
-
避免使用 customAsync:除非特殊情况,否则优先使用
check或checkAsync,它们提供了更好的类型安全性和更简洁的 API。 -
错误处理:验证失败时返回
false而不是抛出异常,Valibot 会自动处理错误信息的生成。 -
类型安全:利用 TypeScript 的泛型来确保验证函数与 schema 的类型匹配。
-
组合验证:对于复杂的验证逻辑,可以组合多个简单的验证函数。
完整示例
// 定义基础验证函数
function createPostalCodeValidator<T extends IPostalCodeForm>() {
return v.checkAsync<T>(async (input) => {
const result = await PostalCodeExistsAsync(input.PostalCode, input.Country);
return result === true;
});
}
// 创建具体 schema
const AddressCreateSchema = v.pipeAsync(
v.object({
Name: v.string(),
Country: v.string(),
PostalCode: v.string()
}),
createPostalCodeValidator()
);
// 使用 schema 验证数据
const result = await v.safeParseAsync(AddressCreateSchema, {
Name: "Test",
Country: "US",
PostalCode: "12345"
});
通过这种方式,我们实现了验证逻辑的复用,同时保持了良好的类型安全性和代码可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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