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。
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