BetterCodable 教程:利用属性包装器优化Swift中的JSON编码解码
2024-08-10 13:13:44作者:滕妙奇
1. 项目介绍
BetterCodable 是一个开源的Swift库,由Mark Sands开发。它通过使用Swift 5.1引入的属性包装器(Property Wrappers)特性,为Codable协议提供了更简洁且可定制化的实现。这个库旨在减少处理JSON时所需的样板代码,从而让工作变得更高效,同时也提供了一些额外的功能,如非丢失值编码和可选值的解码。
2. 项目快速启动
安装CocoaPods (如果你还没有安装)
首先确保已安装CocoaPods,如果没有,可以通过以下命令安装:
sudo gem install cocoapods
添加依赖到Podfile
在你的项目中创建或编辑Podfile,并添加BetterCodable:
platform :ios, '13.0'
use_frameworks!
target 'YourTargetName' do
pod 'BetterCodable', '~> 0.1.0'
end
执行Pod安装
运行以下命令安装新添加的依赖:
pod install
使用示例
导入BetterCodable库并在结构体中使用属性包装器:
import BetterCodable
struct ExampleModel: Codable {
@LosslessValue var code: Int = 0
@LossyOptional var message: String?
@LossyOptional var data: CustomDataType?
}
在这里,@LosslessValue确保了即使在JSON中没有对应值,编解码过程也不会丢失原始数据;@LossyOptional则允许字段在JSON中缺失时不抛出错误。
3. 应用案例和最佳实践
- 当你需要自定义编码解码规则但又不想编写大量的自定义
init(from:)和encode(to:)方法时,可以使用@CustomCodingKey属性包装器。 - 若要处理可能导致类型转换失败的数据,可以使用
@LosslessOptional来避免因缺失或类型不匹配而导致的解码失败。 - 对于那些你希望总是存在的键,但JSON可能缺失的情况,可以使用
@RequiredCodingKey。
4. 典型生态项目
BetterCodable 可以与其他流行Swift库一起使用,例如:
- Moya:结合Moya,可以创建更简单的网络请求层,自动将响应转换成模型对象。
- PromiseKit:与PromiseKit集成,可以在异步操作中优雅地处理JSON响应。
下面是如何使用Moya和PromiseKit结合BetterCodable的例子:
import Moya
import PromiseKit
import BetterCodable
extension APIProvider: MoyaProviderType {
static var target: TargetType = Target(
name: "api",
baseURL: URL(string: "https://your-api-endpoint.com")!,
path: "",
method: .get,
parameters: nil,
headers: nil,
task: { request in
return [.headers: ["Authorization": "Bearer your-token"]]
}
)
}
let provider = APIProvider()
provider.request(.target).then { response in
let model: ExampleModel = try JSONDecoder().decode(ExampleModel.self, from: response.data)
// 使用model进行进一步的业务逻辑
}.catch { error in
print("Error: \(error)")
}
以上代码展示了如何将Moya获取的HTTP响应转换成使用BetterCodable的模型对象。
本文是基于BetterCodable项目的官方资源和一些使用场景编写的。了解更多详细信息,可以访问项目仓库阅读完整文档和源代码。祝你在使用BetterCodable提升编码解码体验时一切顺利!
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
194
212
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++
650
271
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
296
111
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
384
3.7 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
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
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
633
143