FluentValidation 中扩展 WithState 方法支持访问 ValidationContext
2025-05-25 05:38:13作者:滕妙奇
在 FluentValidation 这个流行的.NET验证库中,开发者们经常需要自定义验证错误消息的状态信息。最近社区提出了一个关于扩展 WithState 方法的有价值建议,使其能够访问完整的 ValidationContext 对象。
现有功能分析
FluentValidation 目前提供的 WithState 方法允许开发者为验证规则添加自定义状态信息。这个方法有两个主要重载:
- 接收一个静态对象
- 接收一个接收模型实例和属性值的委托
然而,在某些高级场景中,开发者需要访问完整的 ValidationContext 对象来获取更多上下文信息。例如,当使用自定义的 ValidationContext 子类时,可能需要访问其中定义的特殊属性。
技术实现方案
社区贡献者 ChThy 提出了一个优雅的解决方案:为 WithState 方法添加一个新的重载,接收一个包含 ValidationContext 参数的委托。这个实现非常简洁:
public static IRuleBuilderOptions<T, TProperty> WithState<T, TProperty>(
this IRuleBuilderOptions<T, TProperty> rule,
Func<T, TProperty, ValidationContext<T>, object> stateProvider)
{
stateProvider.Guard("A lambda expression must be passed to WithState", nameof(stateProvider));
var wrapper = new Func<ValidationContext<T>, TProperty, object>((ctx, val) => {
return stateProvider(ctx.InstanceToValidate, val, ctx);
});
Configurable(rule).Current.CustomStateProvider = wrapper;
return rule;
}
这个实现保持了 FluentValidation 一贯的流畅接口设计风格,同时扩展了功能边界。
应用场景
这个增强功能特别适用于以下场景:
- 当验证逻辑需要访问 ValidationContext 中的自定义属性时
- 需要基于验证上下文动态生成状态信息的复杂业务规则
- 实现上下文感知的自定义验证逻辑
技术价值
这个改进虽然看似简单,但实际上为 FluentValidation 带来了更强大的灵活性。它使得:
- 验证逻辑可以获取更丰富的上下文信息
- 开发者可以创建更智能、上下文感知的验证规则
- 自定义验证状态可以基于更全面的信息来构建
总结
这个对 WithState 方法的扩展是 FluentValidation 功能演进的一个自然步骤,它填补了现有API的一个小空白,为高级使用场景提供了更好的支持。这种类型的渐进式改进正是使 FluentValidation 保持其作为.NET生态系统中首选验证库地位的原因之一。
该改进已经通过社区贡献的方式实现,并将在未来的版本中提供给所有用户,展示了开源社区协作的力量。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
114
昇腾LLM分布式训练框架
Python
178
220