Orval项目中如何处理DELETE请求的204 No Content响应问题
2025-06-17 12:35:08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
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 StartedRust0212
cann-learning-hubCANN 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 Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
项目优选
收起
deepin linux kernel
C
32
16
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
468
461
暂无描述
Dockerfile
775
5.07 K
Ascend Extension for PyTorch
Python
756
961
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++
872
2.01 K
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++
696
1.4 K
昇腾LLM分布式训练框架
Python
183
230
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++
1.1 K
1.14 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.04 K
271
Oohos_react_native
React Native鸿蒙化仓库
C++
361
430