ErrorOr库中的多错误处理机制探讨
2025-07-08 16:24:29作者:段琳惟
引言
在现代C#应用程序开发中,优雅地处理错误和异常是构建健壮系统的关键。ErrorOr库提供了一种函数式的方式来处理操作结果,它允许方法返回一个包含成功值或错误集合的结果对象。然而,在实际开发中,我们经常需要处理多个可能产生错误的操作,并将这些错误聚合起来统一处理。
传统多错误处理方式
在ErrorOr库的传统使用方式中,当我们需要处理多个可能产生错误的操作时,代码往往会显得冗长且重复。例如:
public static ErrorOr<SomeResult> Create(string value1, string value2)
{
ErrorOr<Value1> value1OrError = Value1.Create(value1);
ErrorOr<Value2> value2OrError = Value2.Create(value2);
var errors = new List<Error>();
errors.AddRange(value1OrError.Errors);
errors.AddRange(value2OrError.Errors);
if(errors.Count > 0) {
return errors;
}
return new SomeResult(value1OrError.Value, value2OrError.Value);
}
这种方式虽然可行,但存在几个问题:
- 需要手动创建错误列表并逐个添加
- 错误检查逻辑重复
- 代码可读性较差
改进方案探讨
社区提出了几种改进方案来简化多错误处理的流程,使代码更加简洁和表达性更强。
方案一:ErrorCollector类
public static ErrorOr<SomeResult> Create(string value1, string value2)
{
ErrorOr<Value1> value1OrError = Value1.Create(value1);
ErrorOr<Value2> value2OrError = Value2.Create(value2);
return ErrorCollector
.Collect(value1OrError, value2OrError)
.Then(x => new SomeResult(value1OrError.Value, value2OrError.Value));
}
方案二:ErrorOrFactory扩展
public static ErrorOr<SomeResult> Create(string value1, string value2)
{
ErrorOr<Value1> value1OrError = Value1.Create(value1);
ErrorOr<Value2> value2OrError = Value2.Create(value2);
return ErrorOrFactory
.CollectErrors(value1OrError, value2OrError)
.Then(() => new SomeResult(value1OrError.Value, value2OrError.Value));
}
这两种方案都通过引入一个集中处理错误的机制,显著提高了代码的可读性和可维护性。
实现原理
核心的实现思路是检查所有传入的ErrorOr对象,收集其中的错误信息:
public static ErrorOr<Result> CollectErrors<Result>(params IErrorOr[] errorsToCombine)
{
if (errorsToCombine.Any(x => x.IsError))
{
return errorsToCombine.SelectMany(x => x.Errors);
}
return Result.Success;
}
这个实现有几个关键点:
- 使用params关键字接受可变数量的参数
- 检查是否有任何错误存在
- 使用SelectMany扁平化所有错误集合
- 如果没有错误,返回成功结果
实际应用案例
在实际应用中,这种多错误处理机制特别适用于表单验证、领域模型验证等场景。例如用户注册时,需要验证用户名、密码、邮箱等多个字段:
public ErrorOr<User> Register(string username, string password, string email)
{
return ErrorCollector
.Collect(
ValidateUsername(username),
ValidatePassword(password),
ValidateEmail(email)
)
.Then(() => new User(username, password, email));
}
高级用法:结合Then链式调用
ErrorOr的强大之处在于可以结合Then方法实现链式调用,处理多个异步操作:
public async Task<ErrorOr<TransactionUpdateResult>> UpdateTransaction(
ISender sender,
UpdateRequest request,
CancellationToken cancellationToken)
{
return await sender.Send(new UserQuery(request.UserExternalId), cancellationToken)
.Then(user => (user, sender.Send(new TransactionQuery(request.TransactionId), cancellationToken)))
.ThenAsync(async tuple => {
var (user, transaction) = tuple;
// 使用user和transaction进行业务处理
return new TransactionUpdateResult(/*...*/);
});
}
自定义扩展方法
对于更灵活的使用场景,可以创建自定义扩展方法:
public static class ErrorExtensions
{
public static List<Error> Combine(params IErrorOr[] errorOrs) =>
errorOrs
.Where(x => x.IsError)
.Where(x => x.Errors is not null)
.SelectMany(x => x.Errors!)
.ToList();
}
使用示例:
ErrorOr<Success> UpdateUser(User user)
{
if (ErrorExtensions.Combine(
user.SetFirstName(firstName),
user.SetLastName(lastName)
) is var errors && errors.Count > 0)
{
return errors;
}
return Result.Success;
}
最佳实践建议
- 命名一致性:无论采用哪种方案,保持项目中的命名一致性很重要
- 空值处理:确保实现中正确处理null值情况
- 性能考虑:对于高频调用的场景,考虑使用更高效的集合操作
- 错误排序:如果需要保持错误顺序,注意收集方式的稳定性
- 异步支持:考虑提供异步版本的收集方法
结论
ErrorOr库的多错误处理机制通过提供更简洁、更表达性的API,显著改善了C#中错误处理的体验。无论是采用内置的解决方案还是自定义扩展,都能使代码更加清晰、更易于维护。这种模式特别适合领域驱动设计(DDD)和函数式编程风格的C#项目,能够帮助开发者构建更加健壮和可维护的应用程序。
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
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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
325
🔥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
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492