Django Ninja 中嵌套 Schema 解析问题的解决方案
问题背景
在使用 Django Ninja 框架开发 REST API 时,开发者经常会遇到需要返回嵌套数据结构的情况。本文探讨了一个典型问题:当 Schema 中包含嵌套的 Schema 时,子 Schema 的 resolve 方法没有被正确调用的问题。
问题现象
开发者定义了一个 DetailedAlbumOut Schema,其中包含一个 ArtistOut Schema 的列表。ArtistOut Schema 中有一个 url 字段需要通过 resolve_url 方法动态计算生成。当单独使用 ArtistOut Schema 时一切正常,但在嵌套使用时,resolve_url 方法没有被调用,导致验证错误。
问题分析
通过分析问题代码,发现以下几个关键点:
-
Resolver 方法签名不正确:原始代码中的 resolve 方法只接收了
obj参数,而实际上 Django Ninja 会传递上下文对象context。 -
请求对象传递方式不当:开发者尝试通过直接为对象添加
request属性的方式来传递请求对象,这不是 Django Ninja 推荐的做法。 -
数据转换不完整:在处理输入数据时,没有正确地将 Schema 对象转换为字典,导致后续操作出现问题。
解决方案
1. 正确使用 Resolver 方法
Django Ninja 的 resolve 方法应该接收两个参数:obj 和 context。context 参数包含了请求上下文,可以通过它获取 request 对象。
@staticmethod
def resolve_url(obj, context):
artist_url = reverse("api-1.0:retrieve_artist", kwargs={"id": obj.id})
return context["request"].build_absolute_uri(artist_url)
2. 使用上下文传递请求对象
不再需要手动为对象添加 request 属性,Django Ninja 会自动将请求对象放入上下文中。
3. 完整的数据转换
在处理输入数据时,确保将 Schema 对象转换为字典:
data = payload.dict()
最佳实践
-
Resolver 方法设计:
- 总是包含
obj和context两个参数 - 从
context中获取请求对象 - 保持方法简洁,只负责计算特定字段
- 总是包含
-
嵌套 Schema 使用:
- 确保所有子 Schema 的 resolve 方法都遵循相同的参数约定
- 在测试时先单独测试子 Schema,再测试嵌套情况
-
请求处理:
- 避免直接修改模型实例添加请求对象
- 利用 Django Ninja 提供的上下文机制
总结
Django Ninja 提供了强大的 Schema 功能来处理复杂的数据结构。当遇到嵌套 Schema 的 resolve 方法不被调用的问题时,开发者应该:
- 检查 resolve 方法的参数是否正确
- 确保使用了正确的上下文传递方式
- 验证数据转换过程是否完整
通过遵循这些最佳实践,可以避免类似问题的发生,构建出更加健壮的 API 接口。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00