Valibot 中如何实现类似 Zod 的 refine 路径错误定位功能
2025-05-29 07:45:19作者:董灵辛Dennis
在表单验证场景中,我们经常需要处理字段间的关联验证。例如,当用户修改密码时,我们需要确保新密码与旧密码不同,并且两次输入的新密码一致。这类跨字段验证在用户界面中通常需要精确地定位到具体出错的字段,以便提供更好的用户体验。
Zod 库通过 refine 方法的 path 参数实现了这一功能,允许开发者指定错误应该关联到哪个字段。而在 Valibot 中,类似的场景可以通过 forward 方法来实现。
跨字段验证的典型场景
以密码修改表单为例,通常需要验证以下规则:
- 新密码不能与当前密码相同
- 两次输入的新密码必须一致
在用户界面中,当这些验证失败时,我们希望:
- 第一个错误关联到新密码字段
- 第二个错误关联到确认密码字段
Valibot 的解决方案
Valibot 提供了 forward 方法来处理这类场景。与 Zod 的 refine 不同,forward 允许开发者将验证错误转发到指定的字段上。这种方式同样能够实现精确的错误定位,确保错误信息能够正确地与表单字段关联。
实现示例
以下是使用 Valibot 实现上述密码验证逻辑的代码示例:
import { object, string, forward } from 'valibot';
const passwordSchema = object({
current: string('请输入当前密码'),
newPass: string('请输入新密码'),
confirm: string('请再次输入新密码'),
}).pipe(
forward(
({ current, newPass }) => current !== newPass,
'请输入不同的密码',
['newPass']
),
forward(
({ newPass, confirm }) => newPass === confirm,
'两次输入的新密码不一致',
['confirm']
)
);
在这个示例中:
- 第一个
forward验证新密码是否与当前密码不同,如果验证失败,错误会关联到newPass字段 - 第二个
forward验证两次输入的新密码是否一致,如果验证失败,错误会关联到confirm字段
与 Zod 的对比
虽然实现方式不同,但 Valibot 的 forward 方法提供了与 Zod 的 refine 类似的功能:
- 两者都支持自定义错误信息
- 两者都支持将错误关联到特定字段
- 两者都能处理复杂的跨字段验证逻辑
Valibot 的设计保持了 API 的简洁性,同时提供了足够的灵活性来处理各种验证场景。对于从 Zod 迁移到 Valibot 的开发者来说,理解 forward 方法的使用是掌握跨字段验证的关键。
总结
Valibot 通过 forward 方法提供了强大的跨字段验证能力,能够精确控制错误信息的关联字段。这种设计既保持了库的简洁性,又满足了复杂表单验证的需求。开发者可以借此构建出用户体验良好的表单验证逻辑,精确地指导用户纠正输入错误。
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.12 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
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
315
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
219