RuoYi-Vue-Pro 项目流程审批中手机号校验问题分析与解决方案
问题背景
在 RuoYi-Vue-Pro 2.1.0-jdk8-snapshot 版本中,当用户发起流程审批时,如果审批人的联系方式为空,系统会抛出"联系方式不存在"的异常错误,但流程仍然能够正常启动。这种情况在实际业务场景中可能会影响用户体验,特别是当联系方式并非必填项时。
问题现象分析
从错误堆栈中可以清晰地看到,异常发生在 NotificationSendServiceImpl 类的 validateContact 方法中。当系统尝试发送通知时,会强制校验审批人的联系方式是否存在,如果没有设置联系方式,就会抛出 ServiceException 异常。
值得注意的是,虽然前端显示了错误信息,但后台流程实例仍然成功创建并启动了。这表明:
- 流程引擎本身的处理逻辑是正常的
- 问题出在流程启动后的通知环节
- 通知的发送与流程引擎的运行是解耦的
技术原理
在 RuoYi-Vue-Pro 的工作流实现中,流程审批涉及几个关键环节:
- 流程实例创建:系统首先创建流程实例,这是工作流的核心部分
- 任务分配:将任务分配给指定的审批人
- 通知发送:系统会尝试通过多种渠道通知审批人
通知功能是通过 NotificationSendServiceImpl 实现的,它会在以下情况下被调用:
- 流程启动时通知发起人
- 任务分配时通知审批人
- 任务完成时通知相关人员
解决方案
针对这个问题,可以考虑以下几种解决方案:
方案一:修改联系方式校验逻辑
在 NotificationSendServiceImpl 中修改 validateContact 方法,使其在联系方式为空时跳过发送而不是抛出异常:
public void validateContact(String contact) {
if (StrUtil.isEmpty(contact)) {
log.warn("联系方式为空,跳过通知发送");
return; // 修改为返回而不是抛出异常
}
// 原有校验逻辑...
}
方案二:增加通知功能开关
在发送通知前,先检查系统是否启用了通知功能:
@Resource
private NotificationEnableApi notificationEnableApi;
public void sendSingleNotificationToAdmin(Long userId, String templateCode, Map<String, Object> templateParams) {
if (!notificationEnableApi.isEnabled()) {
return;
}
// 原有发送逻辑...
}
方案三:前端增加联系方式校验
如果业务上要求审批人必须填写联系方式,可以在用户管理界面增加联系方式的必填校验:
- 修改用户表的联系方式字段为 NOT NULL
- 在前端表单中添加必填验证
- 在后端接口中添加参数校验
最佳实践建议
根据不同的业务场景,推荐以下实践:
- 非关键通知场景:采用方案一,允许联系方式为空时静默跳过
- 关键业务场景:采用方案三,强制要求填写联系方式
- 系统集成场景:采用方案二,提供灵活的功能开关
对于大多数企业应用,建议组合使用方案一和方案二,既保证系统的健壮性,又提供足够的灵活性。
总结
RuoYi-Vue-Pro 作为一款优秀的企业级开发框架,其工作流模块的设计考虑了大多数业务场景。在实际应用中,开发者需要根据具体业务需求对通知机制进行适当调整。本文分析的联系方式校验问题展示了框架的可扩展性,通过简单的修改就能适应不同的业务需求。理解这些机制有助于开发者更好地利用 RuoYi-Vue-Pro 构建稳定、灵活的业务系统。
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