React Query 中 exactOptionalPropertyTypes 导致的类型错误解析
在使用 React Query 进行数据查询时,开发者经常会遇到类型定义的问题。特别是在启用 TypeScript 的 exactOptionalPropertyTypes 选项后,某些类型定义可能会产生意料之外的错误。
问题背景
在 React Query 的查询选项中,select 是一个可选属性,用于对查询结果进行转换。当开发者尝试按照社区推荐的方式定义类型时,如果启用了 exactOptionalPropertyTypes 选项,TypeScript 会报错,提示不允许显式定义 undefined。
技术细节分析
exactOptionalPropertyTypes 是 TypeScript 的一个严格类型检查选项。启用后,它会强制要求可选属性不能显式设置为 undefined。这与常规的 TypeScript 行为不同,在常规情况下,可选属性可以显式设置为 undefined。
在 React Query 的上下文中,当开发者尝试定义如下类型时:
{
select?: (data: Exercises) => TData
}
启用 exactOptionalPropertyTypes 后,TypeScript 会认为这种定义方式存在问题,因为它允许 select 被显式设置为 undefined。
解决方案
社区专家推荐了更优的类型定义方式:
export const useGetExercises = <TData = Exercises>(options?: {
select?: (data: Exercises) => TData
}) => {
return useQuery({
queryKey: ['exercises'],
queryFn: () => [],
...options
});
};
这种定义方式有几个优点:
- 完全兼容 exactOptionalPropertyTypes 选项
- 保持了 select 的可选性
- 提供了更好的类型推断
- 与 React Query 的 API 设计保持一致
深入理解
这个问题的本质在于 TypeScript 的类型系统设计。exactOptionalPropertyTypes 选项的引入是为了解决 JavaScript 中 undefined 和可选属性之间的模糊性。在常规情况下:
- 可选属性可以通过完全省略或设置为 undefined 来表示"不存在"
- 启用 exactOptionalPropertyTypes 后,可选属性只能通过完全省略来表示"不存在"
React Query 作为一个灵活的库,需要同时支持严格和非严格的 TypeScript 配置。因此,采用更严谨的类型定义方式可以确保在各种 TypeScript 配置下都能正常工作。
最佳实践建议
对于使用 React Query 的开发者,建议:
- 如果项目启用了 exactOptionalPropertyTypes,应采用上述推荐的类型定义方式
- 考虑在类型定义中使用泛型,以提供更好的类型安全性和灵活性
- 在自定义 hook 中明确区分必需和可选属性
- 保持类型定义与 React Query 核心 API 的一致性
通过遵循这些实践,可以确保代码在各种 TypeScript 配置下都能保持类型安全,同时充分利用 React Query 提供的强大功能。
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