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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.84 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
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
暂无简介
Dart
799
198
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
779
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
349
200
Ascend Extension for PyTorch
Python
377
450
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1