Zod项目中处理nullable字段的注意事项
2025-05-03 07:39:10作者:牧宁李
在使用Zod进行TypeScript类型校验时,处理nullable字段是一个常见的需求。本文将通过一个实际案例,分析如何正确处理可空字段,以及在使用pick方法时需要注意的事项。
问题背景
在开发过程中,我们经常会遇到需要从基础schema中提取部分字段创建新schema的情况。Zod提供了方便的pick()方法来实现这一功能。然而,当基础schema中包含nullable字段时,直接使用pick可能会导致类型校验失败。
原始代码分析
原始代码中定义了一个基础schema:
const dataSchema = z.object({
document_type: z.string(),
invoice_number: z.string().nullable(),
receipt_number: z.string().nullable(),
});
然后尝试从这个基础schema中提取部分字段创建新的schema:
const invoiceSchema = dataSchema.pick({
document_type: true,
invoice_number: true,
}).partial();
当使用这个schema进行校验时,如果字段值为undefined,校验会失败,提示"Required"错误。
问题根源
这个问题的根本原因在于Zod的nullable()和nullish()方法的行为差异:
nullable():允许字段值为null,但不允许undefinednullish():允许字段值为null或undefined
当使用pick方法时,原始的nullable约束会被保留,但partial()方法会将所有字段变为可选(即允许undefined)。这就导致了类型系统的冲突。
解决方案
作者最终通过将nullable改为nullish解决了这个问题:
const dataSchema = z.object({
document_type: z.string(),
invoice_number: z.string().nullish(),
receipt_number: z.string().nullish(),
});
这种修改是合理的,因为:
- 在实际业务中,undefined和null通常表示相同的语义 - 字段缺失
- 使用nullish可以更好地配合partial()的行为
- 保持了类型系统的自洽性
最佳实践建议
- 明确字段语义:在设计schema时,明确区分字段是必须的、可选的、可为null的,还是三者组合
- 谨慎使用pick:当基础schema包含nullable字段时,pick后的新schema可能需要调整类型约束
- 考虑使用merge:对于复杂场景,可以考虑使用merge组合多个schema而不是pick
- 统一处理空值:尽量统一使用nullish而不是nullable,除非业务上确实需要区分null和undefined
总结
Zod的类型系统非常强大,但在处理nullable字段时需要特别注意。通过理解nullable和nullish的区别,以及pick方法的行为,可以避免这类类型校验问题。在实际开发中,建议根据业务需求选择合适的类型约束,并在团队内保持一致的编码风格。
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
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
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
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217