首页
/ 1Password/typeshare 项目中 HashMap 与 TypeScript 类型的映射问题解析

1Password/typeshare 项目中 HashMap 与 TypeScript 类型的映射问题解析

2025-06-30 23:22:18作者:裘晴惠Vivianne

在 Rust 与 TypeScript 的互操作场景中,1Password/typeshare 项目提供了强大的类型共享能力。本文将深入探讨一个常见但容易被忽视的问题:当 Rust 中使用 HashMap 作为数据结构时,如何正确映射到 TypeScript 类型。

问题背景

在跨语言开发中,我们经常需要在 Rust 后端和 TypeScript 前端之间共享数据结构。当 Rust 代码中使用 HashMap 时,默认情况下 typeshare 会将其映射为 TypeScript 的 Record 类型,而 wasm-bindgen 则会生成 Map 类型。这种不一致性可能导致运行时问题。

核心问题分析

考虑以下 Rust 代码示例:

#[derive(Hash, Serialize)]
#[typeshare]
#[serde(tag = "type", content = "index")]
pub enum Foo {
  Bar,
  Bing,
  Bang(u32),
}

#[derive(Serialize)]
#[typeshare]
pub struct FooParent {
  foos: HashMap<Foo, u32>;
}

默认情况下,typeshare 会生成:

export interface FooParent { 
  foos: Record<Foo, number>;
}

而 wasm-bindgen 会生成:

export interface FooParent { 
  foos: Map<Foo, number>; 
}

解决方案

方案一:强制使用 Map 类型

通过在字段上添加 serialized_as 注解,可以明确指定生成的 TypeScript 类型:

#[derive(Serialize)]
#[typeshare]
pub struct FooParent {
  #[typeshare(serialized_as = "Map<Foo, u32>")]
  foos: HashMap<Foo, u32>;
}

这样 typeshare 就会生成与 wasm-bindgen 一致的 Map 类型。

方案二:使用 Record 类型

如果需要保持 JSON 兼容性,可以使用 serde-wasm-bindgen 的配置选项:

// 配置 serde_wasm_bindgen 使用对象而非 Map
serialize_maps_as_objects(true)

这将确保在序列化时 HashMap 被转换为普通对象,与 typeshare 生成的 Record 类型保持一致。

技术选型建议

  1. 前端框架兼容性:现代前端框架通常都能良好支持 Map 类型,但某些工具链可能对 Record 类型支持更好。

  2. 性能考量:Map 类型在某些操作(如频繁的增删)上性能更优,而 Record 在 JSON 序列化/反序列化上更高效。

  3. 数据特性:如果键是复杂对象或需要保持插入顺序,Map 是更好的选择;如果键是简单类型且顺序不重要,Record 可能更合适。

最佳实践

  1. 保持一致性:确保前后端类型定义一致,避免运行时类型不匹配。

  2. 明确意图:通过注解明确表达数据结构的语义,增强代码可读性。

  3. 考虑序列化需求:根据实际序列化方式选择最合适的类型表示。

总结

在 Rust 与 TypeScript 的互操作中,HashMap 的映射是一个需要特别注意的问题。通过合理使用 typeshare 的注解和 wasm-bindgen 的配置选项,开发者可以灵活控制生成的类型,确保类型系统的一致性和运行时行为的正确性。理解这些工具背后的设计哲学和默认行为,有助于开发者做出更明智的技术决策。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
docsdocs
暂无描述
Markdown
827
5.48 K
kernelkernel
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
494
515
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
783
1.57 K
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
800
1.14 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
970
2.28 K
kernelkernel
deepin linux kernel
C
32
16
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
480
312
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.01 K
766
cannbot-skillscannbot-skills
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Markdown
1.26 K
808
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
647
284