Orval项目中如何处理DELETE请求的204 No Content响应问题
2025-06-17 00:56:01作者:冯梦姬Eddie
问题背景
在使用Orval生成API客户端代码时,开发者可能会遇到一个常见问题:当API规范中定义了DELETE操作返回204 No Content状态码时,生成的fetch客户端代码仍会尝试解析响应体为JSON,导致运行时错误。
问题分析
根据OpenAPI规范,DELETE操作通常会返回204状态码表示成功删除且没有返回内容。然而Orval默认生成的fetch客户端代码会无条件地对所有响应执行res.json()调用,这在响应体为空时会导致SyntaxError: Unexpected end of JSON input错误。
解决方案
1. 自定义fetch实现
最可靠的解决方案是创建自定义fetch函数,正确处理各种响应情况:
const getBody = async <T>(response: Response): Promise<T> => {
const text = await response.text();
if (!text) {
return {} as T;
}
const contentType = response.headers.get("content-type");
if (contentType?.includes("application/json")) {
return JSON.parse(text);
}
return text as unknown as T;
};
export const customFetch = async <T>(
url: string,
options: RequestInit,
): Promise<T> => {
const request = new Request(url, options);
const response = await fetch(request);
const data = await getBody<T>(response);
return { status: response.status, data } as T;
};
2. Orval配置调整
在Orval配置文件中指定使用自定义fetch函数:
{
output: {
client: 'fetch',
override: {
fetch: {
custom: './path/to/custom-fetch.ts'
}
}
}
}
最佳实践建议
-
响应处理一致性:确保API设计遵循RESTful原则,204响应确实不应该包含响应体。
-
错误处理:在自定义fetch中添加适当的错误处理逻辑,考虑网络错误、超时等情况。
-
类型安全:为自定义fetch函数添加完善的TypeScript类型定义,确保生成的代码类型安全。
-
测试覆盖:为各种响应情况(空响应、JSON响应、非JSON响应)编写测试用例。
总结
Orval作为API客户端代码生成工具,默认行为可能无法覆盖所有边缘情况。通过自定义fetch实现,开发者可以灵活处理各种API响应模式,特别是对于204 No Content这类特殊响应。这种方法不仅解决了当前问题,还为未来可能遇到的其他响应处理需求提供了扩展性。
对于团队项目,建议将这种自定义fetch实现作为共享基础设施的一部分,确保所有生成的前端API客户端代码具有一致的行为和错误处理机制。
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
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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++
660
308
🔥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
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
654
仓颉编程语言运行时与标准库。
Cangjie
141
878