Valibot与表单验证库的集成实践
2025-05-30 12:04:37作者:冯梦姬Eddie
概述
Valibot作为一款轻量级的TypeScript验证库,在实际项目中经常需要与其他表单管理库配合使用。本文将探讨Valibot如何与主流表单库如Formik和React Hook Form集成,并提供实用的代码示例和最佳实践建议。
Valibot与Formik集成方案
虽然Formik官方没有直接提供对Valibot的支持,但开发者可以通过自定义验证函数实现两者的无缝对接。以下是一个典型的实现方式:
export const withSchema =
<T>(schema: v.BaseSchema<unknown, T, v.BaseIssue<unknown>> | v.BaseSchemaAsync<unknown, T, v.BaseIssue<unknown>>) =>
async (values: T): Promise<Partial<T>> => {
const result = await v.safeParseAsync(schema, values)
if (result.success) {
return {}
}
return result.issues.reduce((acc, curr) => {
if (curr.path && curr.path.length > 0) {
const key = curr.path[0].key as string
return {
...acc,
[key]: curr.message,
}
}
return acc
}, {})
}
这个高阶函数接收一个Valibot schema,返回一个符合Formik验证要求的函数。它会将Valibot的验证结果转换为Formik期望的错误对象格式。
Valibot与React Hook Form集成
React Hook Form作为现代表单解决方案,已经通过官方适配器提供了对Valibot的原生支持。使用方式更加简洁:
import { valibotResolver } from "@hookform/resolvers/valibot";
import { useForm } from "react-hook-form";
function MyForm() {
const { register, handleSubmit } = useForm({
resolver: valibotResolver(myValibotSchema),
});
// ...表单实现
}
自定义React Hook Form封装
对于希望简化React Hook Form API的开发者,可以创建自定义hook来封装常用功能:
function useFormState<T extends FieldValues>({ initialValues, schema, onSubmit, onChange }: Props<T>) {
const form = useForm({
defaultValues: initialValues,
resolver: valibotResolver(schema),
});
// 封装常用功能...
return {
touches: form.formState.touchedFields,
errors: form.formState.errors,
watchers: /* 观察字段值 */,
handleChange: /* 处理输入变化 */,
handleSubmit: form.handleSubmit(onSubmit),
setValue: form.setValue,
};
}
这种封装方式可以显著提升代码的可读性和可维护性,特别适合大型项目中使用。
技术选型建议
- Formik:适合已有Formik项目或团队熟悉其API的情况,需要通过自定义适配器集成Valibot
- React Hook Form:新项目首选,官方支持Valibot,性能更优,API更现代化
- 原生实现:对于简单表单,可以直接使用Valibot进行验证,无需额外表单库
最佳实践
- 保持schema定义与UI层分离,便于复用
- 对于复杂表单,考虑将验证逻辑分解为多个子schema
- 异步验证场景下,确保正确处理加载状态和错误反馈
- 类型安全是Valibot的核心优势,充分利用TypeScript类型推断
总结
Valibot作为验证解决方案,能够与主流表单库良好配合。开发者可以根据项目需求和团队偏好选择合适的集成方式。React Hook Form凭借其现代设计和官方支持,成为新项目的推荐选择,而现有Formik项目则可以通过自定义适配器实现平滑过渡。无论选择哪种方案,Valibot都能提供强大的类型安全和灵活的验证能力。
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
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
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
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
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218