Stripe-PHP 库中支付链接的 line_items 属性获取问题解析
在使用 Stripe-PHP 库处理支付链接时,开发者可能会遇到一个常见问题:通过 API 检索到的支付链接对象中,line_items 属性显示为 null。这个问题涉及到 Stripe API 的一个重要设计特性——可包含属性(includable properties)。
问题现象
当开发者创建支付链接时,通常会指定 line_items 参数来定义支付项目。例如:
$link = $stripe->paymentLinks->create([
'line_items' => [
[
'price' => $price->id,
'quantity' => 1
],
]
]);
然而,在后续通过支付链接ID检索该对象时:
$plink = $stripe->paymentLinks->retrieve($paymentLinkId);
发现 $plink->line_items 为 null,导致调用 toJSON() 方法时出现错误。
技术原理
这个问题源于 Stripe API 的优化设计。为了减少不必要的数据传输和提高性能,Stripe API 默认不会返回所有可能的属性。line_items 就是这样一个"可包含属性"(includable property),它需要开发者明确请求才会在响应中包含。
解决方案
正确的做法是使用 Stripe 的"扩展"(expand)功能,明确请求包含 line_items 属性:
$plink = $stripe->paymentLinks->retrieve(
$paymentLinkId,
['expand' => ['line_items']]
);
同样地,对于结账会话(checkout session)对象,也需要使用相同的技术:
$session = $stripe->checkout->sessions->retrieve(
$sessionId,
['expand' => ['line_items']]
);
最佳实践
-
预先规划数据需求:在编写代码前,明确需要哪些属性,特别是那些标记为可包含的属性。
-
批量扩展:可以一次性请求多个可包含属性,例如:
['expand' => ['line_items', 'customer', 'payment_intent']] -
性能考量:虽然扩展功能很强大,但不应过度使用。只请求实际需要的属性,以避免不必要的数据传输和处理开销。
-
错误处理:始终对可能的null值进行防御性编程,即使使用了扩展功能。
深入理解
Stripe API 的这种设计模式在REST API中很常见,它遵循了"按需获取"的原则。这种设计有以下几个优点:
- 减少了网络传输的数据量
- 提高了API响应速度
- 降低了服务器处理负担
- 让客户端可以精确控制所需数据
对于PHP开发者来说,理解这一设计模式非常重要,因为它不仅存在于Stripe API中,也是现代API设计的常见实践。
通过正确使用扩展功能,开发者可以灵活地获取所需数据,同时保持应用程序的高效运行。这一技术同样适用于Stripe API中的其他资源类型,如订单、发票等,它们都可能包含需要显式请求的可包含属性。
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