在Effector中优雅地拆分Effect结果到不同Store
2025-06-11 05:08:49作者:尤辰城Agatha
在Effector状态管理库的实际应用中,我们经常会遇到需要将一个Effect返回的结果拆分到多个Store中的场景。本文将探讨几种实现方式及其适用情况。
基础场景分析
假设我们有一个获取用户信息的Effect,它返回一个包含用户基本信息和用户偏好的复合对象:
const fetchUserInfo = createEffect(() => {
return {
user: { id: 1 },
userPreferences: { darkMode: true },
};
});
我们需要将这些数据分别存储到两个不同的Store中:$user和$userPreferences。
方案一:使用多个sample操作
最直接的方式是使用多个sample操作:
sample({
clock: fetchUserInfo.doneData,
fn: ({ user }) => user,
target: $user,
});
sample({
clock: fetchUserInfo.doneData,
fn: ({ userPreferences }) => userPreferences,
target: $userPreferences,
});
优点:
- 代码直观,易于理解
- 不需要额外依赖
- 类型推断良好
缺点:
- 当需要拆分的字段较多时,代码会显得重复
方案二:使用split操作
Effector提供了split操作符,可以根据条件将数据分流到不同的事件:
split({
source: fetchUserInfo.doneData,
match: {
user: ({ user }) => !!user,
userPreferences: ({ userPreferences }) => !!userPreferences
},
cases: {
user: setUser,
userPreferences: setUserPreferences,
},
});
优点:
- 逻辑集中在一处
- 适合复杂的分流条件
缺点:
- 需要预先定义事件处理器
- 代码量不一定减少
- 对于简单场景可能增加认知负担
方案三:自定义辅助函数
对于项目中的高频场景,可以创建自定义辅助函数:
function splitToStores(source, mappings) {
Object.entries(mappings).forEach(([key, store]) => {
sample({
clock: source,
fn: (data) => data[key],
target: store,
});
});
}
// 使用方式
splitToStores(fetchUserInfo.doneData, {
user: $user,
userPreferences: $userPreferences
});
优点:
- 代码高度复用
- 使用简洁
- 可根据项目需求定制
缺点:
- 需要额外维护辅助函数
- 类型支持可能受限
最佳实践建议
-
简单场景:直接使用多个
sample操作最为合适,代码清晰且易于维护。 -
复杂分流:当需要根据复杂条件分流时,考虑使用
split操作符。 -
高频使用:如果在项目中频繁遇到此类需求,可以创建自定义辅助函数来提高开发效率。
-
类型安全:在TypeScript项目中,优先选择类型支持良好的方案,通常多个
sample操作能提供最好的类型推断。
总结
Effector提供了灵活的方式来处理Effect结果的拆分需求。开发者应根据具体场景选择最适合的方案,在代码简洁性、可读性和类型安全之间取得平衡。对于大多数情况,使用多个sample操作是最为推荐的做法,它既保持了代码的清晰度,又能获得良好的类型支持。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0152- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112
项目优选
收起
暂无描述
Dockerfile
733
4.75 K
Ascend Extension for PyTorch
Python
617
795
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++
1.01 K
1.01 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
433
395
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
145
237
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.18 K
152
暂无简介
Dart
983
252
Oohos_react_native
React Native鸿蒙化仓库
C++
348
403
昇腾LLM分布式训练框架
Python
166
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
1.68 K
989