FluentValidation中扩展WithState方法支持ValidationContext访问的技术解析
2025-05-25 11:54:00作者:柏廷章Berta
背景介绍
FluentValidation是一个流行的.NET验证库,它提供了流畅的API来定义验证规则。在实际开发中,我们经常需要根据验证上下文(ValidationContext)中的额外信息来定制验证错误消息或状态。然而,在现有版本中,WithState方法无法直接访问ValidationContext对象,这限制了开发者对验证上下文的充分利用。
问题分析
在FluentValidation的当前实现中,WithState方法提供了两个主要重载:
- 接收一个静态对象作为状态
- 接收一个Func<T, TProperty, object>委托来动态生成状态
这两种方式都无法访问ValidationContext对象,而ValidationContext中可能包含了对验证过程至关重要的上下文信息,比如:
- 当前验证的实例对象
- 验证过程中需要使用的服务或依赖项
- 其他自定义的上下文属性
解决方案
通过分析源代码,我们发现可以添加一个新的WithState方法重载,使其能够接收ValidationContext作为参数。这个新重载的函数签名如下:
Func<T, TProperty, ValidationContext<T>, object>
实现原理是将这个委托适配到现有的CustomStateProvider机制中。具体实现方式是通过一个包装器委托,将ValidationContext传递给开发者提供的状态提供函数。
技术实现细节
新方法的完整实现如下:
public static IRuleBuilderOptions<T, TProperty> WithState<T, TProperty>(
this IRuleBuilderOptions<T, TProperty> rule,
Func<T, TProperty, ValidationContext<T>, object> stateProvider)
{
// 参数校验
stateProvider.Guard("A lambda expression must be passed to WithState", nameof(stateProvider));
// 创建适配器委托
var wrapper = new Func<ValidationContext<T>, TProperty, object>((ctx, val) => {
return stateProvider(ctx.InstanceToValidate, val, ctx);
});
// 设置自定义状态提供者
Configurable(rule).Current.CustomStateProvider = wrapper;
return rule;
}
这个实现的关键点在于:
- 保持了与现有API的一致性
- 通过委托适配器模式桥接新旧接口
- 完全向后兼容,不影响现有代码
应用场景
这个增强功能特别适用于以下场景:
- 依赖注入场景:当验证规则需要根据容器中的服务来动态决定验证状态时
- 多租户系统:需要根据租户上下文定制验证消息
- 复杂业务规则:验证逻辑需要访问请求上下文或其他运行时信息
最佳实践
使用这个新功能时,建议遵循以下原则:
- 保持状态提供函数的纯净性:避免在状态提供函数中修改上下文状态
- 合理处理null值:确保函数能够妥善处理可能的null输入
- 性能考虑:状态提供函数可能会被频繁调用,应保持轻量
总结
通过对FluentValidation的WithState方法进行扩展,我们为开发者提供了更强大的验证上下文访问能力。这个改进不仅保持了库的简洁性,还极大地增强了其灵活性,使得开发者能够更好地处理复杂的验证场景。这种设计模式也展示了如何在保持向后兼容性的同时扩展库的功能,是API设计的良好实践。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler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。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
114
昇腾LLM分布式训练框架
Python
178
220