在Next.js中结合openapi-typescript和React Query的最佳实践
2025-06-01 15:04:23作者:齐冠琰
背景介绍
在现代前端开发中,Next.js、TypeScript和状态管理库的组合已经成为主流技术栈。openapi-typescript项目提供了一个强大的工具链,能够根据OpenAPI规范自动生成TypeScript类型定义,而openapi-fetch则是基于这些类型定义提供类型安全的API请求客户端。
问题分析
在Next.js应用中使用openapi-fetch与React Query结合时,开发者可能会遇到一个常见错误:"Invariant: headers() expects to have requestAsyncStorage, none available"。这个错误通常发生在以下场景:
- 在客户端组件中直接使用openapi-fetch客户端
- 中间件中调用了仅服务器端可用的API(如Next.js的headers())
- 环境变量未正确配置为客户端可用
解决方案
服务器端执行API请求
最可靠的解决方案是将API请求逻辑完全放在服务器端执行,然后通过React Query在客户端进行状态管理。这种模式有以下几个优势:
- 安全性:敏感逻辑和认证信息保留在服务器端
- 性能:可以利用Next.js的缓存机制
- 稳定性:避免客户端环境差异导致的问题
实现方式如下:
// 服务器端action
"use server";
export async function getConfigProperties() {
const { data, error } = await client.GET("/api/settings/config-properties");
return { data, error };
}
// 客户端组件
"use client";
const { data } = useQuery({
queryKey: ["getConfigProperties"],
queryFn: async () => {
const { data, error } = await getConfigProperties();
if (error) throw new Error(error.message);
return data;
},
});
错误处理策略
在服务器端返回原始错误信息,在客户端进行错误处理和展示,这种分层处理方式有以下好处:
- 服务器端可以保持简洁的错误日志
- 客户端可以根据业务需求定制错误展示
- 符合Next.js推荐的安全实践
架构考量
在选择解决方案时,需要考虑以下架构因素:
- 网络拓扑:直接客户端请求还是通过Next.js代理
- 认证机制:如何安全地传递认证令牌
- 性能影响:额外的网络跳转对用户体验的影响
- 开发体验:如何保持类型安全的同时简化开发流程
最佳实践建议
- 对于需要认证的API请求,优先使用服务器端执行
- 将环境变量前缀设置为NEXT_PUBLIC_以在客户端使用
- 使用TypeScript严格模式确保类型安全
- 考虑使用Next.js的Route Handlers作为API代理层
- 实现统一的错误处理中间件
总结
在Next.js应用中结合openapi-typescript和React Query时,理解服务器端和客户端执行的边界至关重要。通过将API请求逻辑放在服务器端action中,可以避免常见的环境相关问题,同时保持类型安全和良好的开发体验。这种架构模式特别适合需要认证、敏感数据处理或复杂业务逻辑的应用场景。
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
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137