FastEndpoints中路由参数类型定义的最佳实践
在使用FastEndpoints框架开发API时,正确设置路由参数的数据类型对于生成准确的客户端代码至关重要。本文将详细介绍如何确保路由参数在Swagger文档和生成的客户端代码中保持正确的数据类型。
问题背景
开发者在FastEndpoints框架中定义了一个接收Guid类型路由参数的端点,但在使用GenerateClientsAndExitAsync方法生成客户端代码时,发现路由参数被生成为string?类型,而非期望的Guid类型。这会导致客户端调用时需要额外的类型转换,影响开发体验。
解决方案
使用请求DTO定义路由参数类型
FastEndpoints框架的客户端代码生成依赖于Swagger文档的准确描述。为了确保路由参数在Swagger文档中被正确识别为Guid类型,最佳实践是使用请求DTO来明确定义参数类型:
sealed class RequestDto
{
public Guid SomeId { get; set; } // 明确指定参数为Guid类型
}
sealed class ResponseDto
{
public string Id { get; set; }
}
sealed class GetSomeEndpoint : Endpoint<RequestDto, ResponseDto>
{
public override void Configure()
{
Get("something/{SomeId}");
AllowAnonymous();
}
public override async Task HandleAsync(RequestDto r, CancellationToken ct)
{
await SendAsync(new() { Id = r.SomeId.ToString() });
}
}
工作原理
-
Swagger文档生成:当使用请求DTO时,FastEndpoints框架会根据DTO属性类型在Swagger文档中正确标注参数类型。对于Guid类型的属性,Swagger会生成相应的schema定义。
-
客户端代码生成:基于正确的Swagger文档,客户端生成工具(如NSwag)能够识别参数应为Guid类型而非字符串类型,从而生成类型正确的客户端方法签名。
替代方案比较
虽然可以通过Route()方法在端点处理程序中获取Guid类型的路由参数,但这种方法不会影响Swagger文档的生成。因此,对于需要生成客户端代码的场景,使用请求DTO是更可靠的方法。
额外建议
-
考虑使用Kiota客户端生成:FastEndpoints现在支持基于Kiota的客户端生成方案,它提供了更现代化的客户端生成体验,值得开发者评估使用。
-
保持一致性:建议在整个项目中统一使用请求DTO来定义所有路由参数,以确保Swagger文档和客户端代码的一致性。
-
文档注释:为DTO属性添加XML注释,这些注释会被包含在Swagger文档中,进一步提升API文档的质量。
通过遵循这些最佳实践,开发者可以确保FastEndpoints应用生成的路由参数类型在客户端代码中保持准确,提高开发效率和代码质量。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00