Django Ninja 中处理 PATCH 请求与可选字段的最佳实践
2025-05-28 07:23:58作者:段琳惟
在 Django Ninja 框架中处理 PATCH 请求时,开发者经常会遇到一个常见问题:如何区分客户端想要将字段设置为 None 和客户端根本没有发送该字段的情况。这个问题在 RESTful API 设计中尤为重要,因为 PATCH 请求的本意是部分更新资源,而不是完全替换。
问题背景
当使用 Django Ninja 的 ModelSchema 并设置 fields_optional="__all__" 时,请求负载会包含所有可能的键,即使客户端没有发送某些字段,这些未发送的字段也会被设置为 None。这使得服务器无法区分以下两种情况:
- 客户端明确想要将字段值设置为 None
- 客户端没有发送该字段,意味着不应修改该字段
解决方案探索
使用 exclude_unset 参数
Django Ninja 提供了 .dict(exclude_unset=True) 方法,可以过滤掉未设置的字段。这是目前最常用的解决方案:
@api.patch("/{id}", response=RespSchema)
def patch_view(request, employee_id, body: ReqSchema):
employee = get_object_or_404(Employee, id=employee_id)
filtered_dict = body.dict(exclude_unset=True)
for attr, value in filtered_dict.items():
setattr(employee, attr, value)
这种方法有效地区分了未设置的字段和显式设置为 None 的字段。
可选字段与默认值的区别
在定义 Schema 时,开发者需要注意两种不同的字段定义方式:
- 可选字段:使用
Optional[str]表示该字段可以完全从请求中省略 - 可空字段:使用
str = None表示该字段必须提供,但可以设置为 None
正确的用法应该是:
class TheSchema(Schema):
optional_field: Optional[str] # 可以省略
nullable_field: Optional[str] = None # 必须提供但可为None
未来可能的改进
Django Ninja 可能会引入 PatchDict 类型标记,使 PATCH 操作更加优雅:
@api.patch("/patch")
def patch(request, payload: PatchDict[SomeSchema]):
print(payload) # 只包含客户端实际发送的字段
这种设计将使 PATCH 操作更加直观,自动处理字段过滤逻辑。
实际应用建议
对于当前版本的 Django Ninja,建议采用以下模式处理 PATCH 请求:
- 为 PATCH 操作创建专门的 Schema,所有字段都设为 Optional
- 在视图函数中使用
.dict(exclude_unset=True)获取实际修改的字段 - 使用循环将这些字段应用到模型实例
class EmployeePatchSchema(Schema):
name: Optional[str]
age: Optional[int]
department: Optional[str]
@api.patch("/employees/{id}")
def update_employee(request, id: int, payload: EmployeePatchSchema):
employee = get_object_or_404(Employee, id=id)
update_data = payload.dict(exclude_unset=True)
for field, value in update_data.items():
setattr(employee, field, value)
employee.save()
return employee
这种方法既保持了代码的简洁性,又正确处理了部分更新的需求。
总结
Django Ninja 提供了灵活的工具来处理 PATCH 请求和可选字段。通过合理使用 Schema 定义和 .dict(exclude_unset=True) 方法,开发者可以轻松实现符合 REST 原则的部分更新操作。未来随着框架的发展,可能会提供更加简洁的语法糖来进一步简化这一常见模式。
登录后查看全文
热门项目推荐
相关项目推荐
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
532
3.75 K
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
336
178
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++
886
596
Ascend Extension for PyTorch
Python
340
405
暂无简介
Dart
772
191
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
986
247
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
416
4.21 K
React Native鸿蒙化仓库
JavaScript
303
355