Fastify框架中.send()方法数据发送异常问题解析
2025-05-04 07:47:27作者:彭桢灵Jeremy
在使用Fastify框架开发RESTful API时,开发者经常会遇到需要向前端发送结构化数据的情况。本文将以一个实际案例为基础,深入分析Fastify中.send()方法的数据发送机制,以及如何正确处理Prisma ORM返回的数据。
问题现象
开发者在使用Fastify的.send()方法发送包含Prisma查询结果的数据时,遇到了数据丢失的问题。具体表现为:
- 当直接发送包含specialties字段的对象时,前端只能接收到message和success字段
- 当将specialties字段改为data字段时,前端接收到的data字段为空对象
问题根源分析
经过深入分析,这个问题主要由两个因素共同导致:
-
JSON Schema定义不匹配:Fastify的响应模式定义中,data字段被定义为对象类型,而实际需要发送的是数组类型。这种类型不匹配会导致Fastify的序列化过程出现问题。
-
Prisma返回数据的序列化特性:Prisma返回的数据对象可能包含一些特殊的内部属性,这些属性在默认的JSON序列化过程中可能不会被正确处理。
解决方案
方案一:修正JSON Schema定义
正确的Schema定义应该明确指定data字段包含的是一个数组:
const list = {
tags: ['Specialty'],
response: {
200: {
type: 'object',
properties: {
success: { type: 'boolean' },
message: { type: 'string' },
data: {
type: 'array',
items: {
type: 'object',
properties: {
id: { type: 'string' },
name: { type: 'string' }
}
}
}
}
}
}
};
方案二:手动序列化Prisma返回数据
在发送前对Prisma返回的数据进行显式序列化:
async function list(req: FastifyRequest, rep: FastifyReply) {
const specialties = await prisma.specialty.findMany()
rep.status(200).send({
success: true,
message: 'Specialty listed successfully',
data: JSON.parse(JSON.stringify(specialties))
})
}
最佳实践建议
-
始终验证Schema定义:确保响应模式与实际数据结构完全匹配,特别是数组和对象类型的区分。
-
处理ORM返回数据:对于Prisma等ORM返回的数据,建议进行显式序列化以确保数据完整性。
-
结构化响应格式:保持一致的响应格式,建议采用类似以下结构:
{ status: 'success' | 'error', code: number, message: string, data: any // 实际数据 } -
启用Fastify的日志:在开发阶段启用详细日志,帮助识别序列化问题。
总结
Fastify框架对数据序列化有着严格的要求,特别是在启用了Schema验证的情况下。开发者需要特别注意:
- Schema定义必须与实际数据结构精确匹配
- ORM返回的数据可能需要特殊处理
- 一致的响应格式有助于前后端协作
通过遵循这些原则,可以避免大多数数据发送相关的问题,构建出更健壮的API服务。
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥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
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492