OpenAPI-TypeScript 项目中增强 SWR 错误处理的实践方案
2025-06-01 02:45:35作者:羿妍玫Ivan
在现代前端开发中,类型安全和错误处理是两个至关重要的环节。本文将深入探讨如何在使用 OpenAPI-TypeScript 项目的 swr-openapi 包时,通过扩展 createQueryHook 的错误类型支持来构建更健壮的 API 客户端。
当前实现的局限性
swr-openapi 作为连接 OpenAPI 规范与 SWR 数据获取库的桥梁,其核心功能 createQueryHook 目前存在一个明显的类型约束:它只能处理 OpenAPI 规范中明确定义的错误响应类型。这种设计在实际应用中会带来以下问题:
- 网络层错误不可见:当发生网络连接失败、CORS 错误或请求超时等情况时,原生的
fetchAPI 会抛出TypeError,但这些错误无法通过类型系统提前预警 - 自定义错误处理受限:开发者无法为自定义 fetcher 添加额外的错误元数据(如 HTTP 状态码、错误详情等)
- 类型安全性缺口:运行时可能出现的错误与类型系统声明的不一致,导致需要额外的类型守卫
技术解决方案剖析
核心类型扩展
通过在 createQueryBaseHook 泛型定义中引入 FetcherError 类型参数,我们实现了错误类型的可扩展性:
createQueryBaseHook<
Paths extends {},
IMediaType extends MediaType,
Prefix extends string,
FetcherError = never // 新增的泛型参数
>
这种设计允许开发者在创建查询钩子时显式声明可能遇到的额外错误类型:
createQueryHook<paths, `${string}/${string}`, "pet-store", Error>(
client,
"pet-store"
)
类型系统整合
整合后的错误类型系统将包含三个层次:
- 规范定义错误:OpenAPI schema 中定义的错误响应
- 运行时错误:如
Error、TypeError等原生错误类型 - 自定义错误:开发者通过 fetcher 包装的增强错误对象
这种分层设计既保持了与 OpenAPI 规范的一致性,又为现实世界的错误处理提供了灵活性。
实际应用场景
增强错误元数据
结合 SWR 官方推荐的错误处理模式,现在可以安全地实现:
const fetcher = async (url: string) => {
const res = await fetch(url);
if (!res.ok) {
const error = new Error('API 请求失败');
// 添加扩展属性
(error as any).status = res.status;
(error as any).details = await res.json();
throw error;
}
return res.json();
};
// 使用时获得完整类型提示
const { error } = useQuery("/endpoint");
if (error) {
console.log(error.message); // 基础错误信息
console.log(error.status); // 类型提示需要额外处理,但运行时安全
}
防御性编程支持
通过类型组合,开发者可以编写更完备的错误处理逻辑:
type APIError = { message: string };
type NetworkError = Error;
type CustomError = APIError | NetworkError;
const { error } = useQuery("/endpoint") as {
error?: CustomError | undefined;
};
if (error instanceof Error) {
// 处理网络/系统错误
} else if (error && 'message' in error) {
// 处理 API 业务错误
}
工程实践建议
- 错误类型标准化:建议项目定义统一的
AppError基础类型,聚合各种错误场景 - 类型断言工具:创建类型守卫函数来安全地处理扩展错误属性
- 错误边界设计:在应用顶层设置错误边界组件,区分处理客户端错误和 API 错误
- 文档规范:在团队文档中明确记录自定义错误类型的定义和使用约定
总结
通过对 swr-openapi 的错误类型系统进行扩展,我们实现了:
- 更完整的类型覆盖,减少运行时意外
- 更好的开发者体验,所有可能的错误路径都有类型提示
- 更强的扩展能力,支持自定义错误处理逻辑
- 更安全的代码,类型系统能够真实反映运行时行为
这种改进使得基于 OpenAPI 规范的前端开发既保持了规范带来的优势,又能灵活应对真实世界的复杂场景,是类型系统与实际需求平衡的优秀实践。
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
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
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
659
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
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
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146