TSED项目中FormData在中间件中无法访问的问题解析
背景介绍
在使用TSED框架处理文件上传时,开发者经常会遇到需要同时处理FormData中的文件和其他表单数据的情况。一个典型场景是前端通过FormData同时上传文件和其他JSON格式的数据。然而,在TSED的最新版本中,开发者发现了一个问题:在中间件中无法访问FormData中的非文件数据,而这些数据在控制器中却可以正常访问。
问题现象
当开发者使用FormData提交包含文件和其他数据的请求时,如果在中间件中使用@BodyParams装饰器尝试获取非文件数据,会得到undefined。但同样的装饰器在控制器方法中却能正常工作。这种行为在TSED 7.33.0版本中是正常的,但在7.75.0版本中出现了问题。
技术分析
这个问题实际上与TSED中间件的执行顺序有关。在TSED框架中,处理multipart/form-data请求的PlatformMulterMiddleware中间件需要先执行,才能正确解析FormData中的内容。然而,默认情况下,自定义中间件的优先级可能导致它在multer中间件之前执行,此时请求体尚未被解析。
解决方案
TSED提供了prioritary选项来控制中间件的执行顺序。通过为自定义中间件设置适当的优先级,可以确保它在multer中间件之后执行:
@Middleware({ prioritary: 11 })
export class TestBodyParamsMiddleware implements MiddlewareMethods {
public use(@BodyParams('list') list: string, @Next() next: Next) {
console.log('List', list);
next();
}
}
将优先级设置为11可以确保中间件在multer中间件之后执行,从而能够正确访问已解析的请求体数据。
处理JSON数据的技巧
当FormData中包含JSON字符串时,开发者可以使用自定义Pipe来简化处理:
@Injectable({
priority: -900
})
export class JsonPipe implements PipeMethods {
transform(value: string) {
return JSON.parse(value);
}
}
export function Json() {
return UsePipe(JsonPipe);
}
然后在控制器中这样使用:
@BodyParams("model") @Json() @Groups("create")
model: CarModelEntity
这个Pipe会自动将JSON字符串转换为对象,方便后续处理。
最佳实践建议
- 当处理multipart/form-data请求时,明确设置中间件的优先级
- 对于JSON数据,考虑使用自定义Pipe来简化转换逻辑
- 在文档中记录中间件的执行顺序,方便团队协作
- 对于复杂的表单处理,考虑使用拦截器(Interceptor)替代中间件
总结
TSED框架在处理multipart/form-data请求时的行为变化,反映了框架对中间件执行顺序控制的改进。通过理解中间件的优先级机制,开发者可以更灵活地控制请求处理流程。同时,利用TSED强大的装饰器和Pipe系统,可以构建出更清晰、更易维护的文件上传处理逻辑。
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