Valibot v1.0.0-beta.15版本发布:类型校验库的重大功能升级
2025-06-08 09:22:44作者:何将鹤
Valibot是一个轻量级、高性能的JavaScript/TypeScript类型校验库,它提供了丰富的API来定义和验证数据结构。在最新的v1.0.0-beta.15版本中,Valibot团队带来了两项重要的功能增强,使得类型校验更加灵活和强大。
变体类型(variant)的增强
新版本对variant和variantAsync方法进行了重大改进,现在支持可选判别式(optional discriminators)。这意味着开发者可以更灵活地定义变体类型,处理那些可能不存在的判别字段。
在之前的版本中,变体类型的判别式是必须存在的。现在通过新增的exactOptional、optional和nullish系列方法,开发者可以:
- 使用
exactOptional/exactOptionalAsync定义精确的可选判别式 - 使用
optional/optionalAsync定义宽松的可选判别式 - 使用
nullish/nullishAsync定义可为null或undefined的判别式
这种改进特别适合处理来自不同数据源的异构数据,比如API响应中可能缺少某些字段的情况。
对象类型的增强
对象类型校验也得到了显著增强,现在支持为缺失的字段提供回退值(fallback)。这一改进影响了以下方法:
looseObject/looseObjectAsyncobject/objectAsyncobjectWithRest/objectWithRestAsyncstrictObject/strictObjectAsync
通过fallback和fallbackAsync方法,开发者可以:
- 为缺失的字段指定默认值
- 保持数据结构的完整性
- 避免因为字段缺失导致的校验失败
这在处理用户输入或外部API数据时特别有用,可以确保即使某些字段缺失,程序也能继续运行而不会抛出错误。
实际应用示例
假设我们正在处理一个用户数据校验场景:
import { object, string, number, fallback } from 'valibot';
const userSchema = object({
name: string(),
age: number(),
email: fallback(string(), 'unknown@example.com')
});
// 即使email字段缺失,校验也能通过
const validatedUser = userSchema.parse({
name: 'John',
age: 30
});
// validatedUser.email将是'unknown@example.com'
对于变体类型的改进,考虑一个处理不同消息类型的场景:
import { variant, string, number, exactOptional } from 'valibot';
const messageSchema = variant('type', [
exactOptional(string(), 'text'), // type字段可选,默认为'text'
object({
content: string()
}),
exactOptional(string(), 'image'),
object({
url: string(),
size: number()
})
]);
// 可以省略type字段,默认为'text'
const textMessage = messageSchema.parse({
content: 'Hello world'
});
总结
Valibot v1.0.0-beta.15的这些改进使得类型校验更加灵活和实用。可选判别式的支持让变体类型处理更加符合实际开发需求,而字段回退功能则大大增强了对象类型校验的容错能力。这些改进使得Valibot在数据验证场景中更加得心应手,特别是在处理不完全符合预期结构的外部数据时。
对于正在使用Valibot的开发者来说,这些新功能将显著提升开发体验和代码健壮性。建议开发者评估这些新特性如何能够优化现有的数据验证逻辑。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
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
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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