Schemars v1.0.0-rc.1 发布:Rust JSON Schema 生成工具的重要更新
Schemars 是一个优秀的 Rust 库,它能够自动为 Rust 类型生成 JSON Schema 定义。这个工具特别适合需要与前端或其他服务进行数据交互的场景,通过自动生成 JSON Schema,开发者可以确保数据结构的正确性和一致性,同时减少手动编写和维护 Schema 的工作量。
时间差类型的 Schema 支持
在最新发布的 v1.0.0-rc.1 版本中,Schemars 新增了对 chrono::TimeDelta 类型的 JSON Schema 支持。chrono::TimeDelta 是 Rust 中处理时间间隔的常用类型,这个增强意味着现在开发者可以更方便地为涉及时间计算的 API 生成准确的 Schema 定义。
对于使用 chrono 库处理时间相关逻辑的项目来说,这个改进尤为重要。现在,当你的数据结构中包含时间间隔字段时,Schemars 能够自动为其生成合适的 Schema,而不需要开发者手动定义或跳过这些字段。
容器属性支持的重大扩展
本次更新的另一个重要特性是增加了对 with、into、from 和 try_from 容器属性的支持。这些属性在 Rust 的序列化/反序列化场景中非常常见,用于自定义类型转换行为。
具体来说:
with属性允许指定一个函数来完成序列化/反序列化into和from属性支持类型间的简单转换try_from属性则支持可能失败的类型转换
这个改进使得 Schemars 能够更好地与 serde 的转换功能协同工作,确保生成的 JSON Schema 能够准确反映经过这些转换后的数据结构。对于使用复杂类型转换的项目,这大大提升了 Schema 生成的准确性和可用性。
混合类型序列的 Schema 生成优化
在之前的版本中,当处理包含多种类型的序列(如 Vec 或包含多种实现同一 trait 的类型的集合)时,Schemars 会生成一个允许任何值的 Schema(即 true schema)。这种做法虽然简单,但失去了对数据结构的精确描述能力。
新版本对此进行了重要改进,现在会使用 oneOf 关键字来生成更精确的 Schema。oneOf 是 JSON Schema 中的一个组合关键字,它表示值必须匹配给定 Schema 列表中的某一个。
这种改进带来的好处包括:
- 生成的 Schema 能够更准确地描述实际的数据结构
- 前端或其他消费者可以根据 Schema 提供更好的验证和自动完成
- 文档更加精确,开发者可以清楚地知道允许哪些具体类型
总结
Schemars v1.0.0-rc.1 的这些改进使得这个工具在 Rust 生态中的 JSON Schema 生成能力更加完善和强大。特别是对时间差类型的支持和对容器属性的处理,解决了许多实际项目中的痛点。而混合类型序列生成策略的优化,则提升了生成 Schema 的质量和可用性。
对于正在使用或考虑使用 JSON Schema 来规范 API 数据格式的 Rust 项目,这个版本值得关注和升级。它为构建更健壮、更可维护的数据交互层提供了更好的工具支持。
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。C090
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