JeecgBoot项目中优雅处理@Valid校验异常的最佳实践
2025-05-02 07:06:15作者:农烁颖Land
在Java Web开发中,表单数据校验是一个常见且重要的环节。Spring框架提供了强大的校验机制,通过@Valid注解可以方便地对请求参数进行校验。然而,在JeecgBoot 3.7.1版本中,我们发现对于@Valid校验异常的处理还不够完善,导致前端用户可能会看到不友好的错误信息。
问题背景
当使用@Valid注解对Controller方法的参数进行校验时,如果校验失败,Spring会抛出MethodArgumentNotValidException异常。在JeecgBoot的默认异常处理类JeecgBootExceptionHandler中,没有专门针对这种异常的处理逻辑,导致前端会接收到包含Java包名等不友好信息的错误响应。
解决方案
为了提升用户体验,我们建议在JeecgBootExceptionHandler类中添加对MethodArgumentNotValidException异常的处理逻辑。具体实现如下:
@ExceptionHandler(MethodArgumentNotValidException.class)
public Result<?> handleValidationExceptions(MethodArgumentNotValidException exception) {
addSysLog(exception);
return Result.error("校验失败!" +
exception.getBindingResult().getAllErrors()
.stream()
.map(ObjectError::getDefaultMessage)
.collect(Collectors.joining(",")));
}
这段代码实现了以下功能:
- 捕获MethodArgumentNotValidException异常
- 记录系统日志(通过addSysLog方法)
- 提取校验失败的所有错误信息
- 将所有错误信息拼接成一条友好的提示信息
- 返回统一的错误响应格式
实现原理
Spring的校验机制基于JSR-303/JSR-349规范,@Valid注解会触发对参数的校验。当校验失败时,Spring会将错误信息封装在BindingResult对象中。我们的处理逻辑从BindingResult中提取所有错误信息(ObjectError),并将它们合并为一个字符串返回给前端。
优化建议
在实际项目中,我们可以进一步优化这个处理逻辑:
- 国际化支持:可以根据用户的语言环境返回对应的错误提示
- 错误信息格式化:可以对错误信息进行更友好的格式化处理
- 错误码规范:可以定义专门的校验错误码,便于前端识别和处理
- 日志级别控制:可以根据实际情况调整日志级别
总结
通过这种异常处理方式,JeecgBoot项目可以:
- 提供更友好的用户界面,避免暴露后端技术细节
- 保持错误响应的统一格式
- 便于前端开发人员理解和处理错误
- 提高系统的可维护性
这种处理方式不仅适用于JeecgBoot项目,也可以作为其他Spring Boot项目中处理校验异常的参考方案。在实际开发中,我们应该始终考虑如何将技术异常转化为业务友好的提示信息,提升整体用户体验。
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
245
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
672
157
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
262
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
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217