FastEndpoints中required属性在混合绑定源中的使用限制
2025-06-08 02:47:48作者:吴年前Myrtle
在FastEndpoints框架中,使用C# 11引入的required修饰符与{ get; init; }组合来定义请求模型中的必填属性是一种常见的做法。然而,这种模式在混合绑定源(如同时从请求体和路由参数绑定)的情况下会出现预期之外的行为。
问题现象
当请求模型同时包含从不同来源绑定的属性时,例如:
- 从请求体JSON绑定的属性
- 从路由参数绑定的属性
如果这些属性都标记为required,框架会先尝试从请求体反序列化整个模型,此时会因缺少路由参数而报错,即使这些参数实际上会通过路由绑定提供。
技术原理分析
FastEndpoints的内部绑定机制会首先尝试通过JSON反序列化创建请求对象,然后再将路由参数等绑定到该对象上。System.Text.Json在反序列化时会严格检查required属性,如果请求体中缺少这些属性就会直接抛出异常,导致后续的路由参数绑定根本没有机会执行。
解决方案
方案一:忽略required关键字检查
可以通过自定义JsonSerializerOptions来全局忽略required关键字的检查:
app.UseFastEndpoints(c => c.Serializer.Options.IgnoreRequiredKeyword());
配合以下扩展方法实现:
static class StjExtensions
{
internal static void IgnoreRequiredKeyword(this JsonSerializerOptions opts)
{
opts.TypeInfoResolver = opts.TypeInfoResolver?.WithAddedModifier(
ti =>
{
if (ti.Kind != JsonTypeInfoKind.Object)
return;
for (var i = 0; i < ti.Properties.Count; i++)
{
var pi = ti.Properties[i];
if (pi.IsRequired)
pi.IsRequired = false;
}
});
}
}
方案二:禁用nullable警告
对于不想使用required的情况,可以通过.editorconfig文件禁用特定文件的nullable警告:
[*.{Request,Response,Endpoint}.cs]
dotnet_diagnostic.CS8618.severity = none
最佳实践建议
- 对于纯JSON绑定的模型,可以安全使用
required修饰符 - 对于混合绑定源的模型:
- 如果坚持使用
required,采用方案一的全局忽略方案 - 或者不使用
required,采用传统的非空初始化方式
- 如果坚持使用
- 考虑将路由参数和请求体参数分离到不同的模型类中
框架设计思考
这个问题反映了现代C#特性与传统Web框架设计之间的微妙交互。required关键字的引入本意是提供编译时的空值安全,但在Web请求处理这种多阶段绑定的场景下,需要框架做出特殊处理才能完美配合。开发者需要理解这种底层机制才能写出符合预期的代码。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
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
9
1
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217