React Native 中使用 @hey-api/client-fetch 上传图片的解决方案
在 React Native 开发中,使用 @hey-api/client-fetch 进行图片上传时,开发者可能会遇到一个常见问题:表单数据中的图片对象被意外地字符串化,导致后端无法正确接收文件。本文将深入分析这个问题,并提供完整的解决方案。
问题背景
当开发者使用 @hey-api/openapi-ts 生成的客户端代码配合 @hey-api/client-fetch 进行文件上传时,React Native 中的图片对象会被错误地处理。典型的 React Native 图片对象结构如下:
{
uri: Platform.OS === 'ios' ? `file:///${path}` : path,
type: mime,
name: filename || 'image.jpg'
}
问题根源
问题的核心在于默认的表单数据序列化器(formDataBodySerializer)无法正确识别 React Native 特有的文件对象格式。默认实现会将这些对象通过 JSON.stringify() 转换为字符串,而非作为文件处理。
解决方案
我们需要自定义表单数据序列化器,使其能够正确处理 React Native 的文件对象。以下是完整的实现方案:
type FileUpload = {
uri: string;
type?: string;
name?: string;
};
const isFileUpload = (value: unknown): value is FileUpload =>
typeof value === 'object' && typeof (value as any).uri === 'string';
const serializeFormDataPair = (
data: FormData,
key: string,
value: unknown,
) => {
if (
typeof value === 'string' ||
value instanceof Blob ||
isFileUpload(value)
) {
data.append(key, value);
} else {
data.append(key, JSON.stringify(value));
}
};
const formDataBodySerializer = {
bodySerializer: <
T extends Record<string, any> | Array<Record<string, any>>,
>(
body: T,
) => {
const data = new FormData();
Object.entries(body).forEach(([key, value]) => {
if (value === undefined || value === null) {
return;
}
if (Array.isArray(value)) {
value.forEach((v) => serializeFormDataPair(data, key, v));
} else {
serializeFormDataPair(data, key, value);
}
});
return data;
},
};
实现说明
-
类型定义:我们首先定义了 FileUpload 类型,描述 React Native 中文件对象的结构。
-
类型守卫:isFileUpload 函数用于判断一个值是否为 React Native 文件对象。
-
序列化逻辑:serializeFormDataPair 函数处理三种情况:
- 字符串直接附加
- Blob 对象直接附加
- React Native 文件对象直接附加
- 其他类型通过 JSON.stringify 转换
-
表单构建器:formDataBodySerializer 遍历请求体,正确处理各种数据类型。
应用场景
这个解决方案特别适用于以下场景:
- 使用 @hey-api/openapi-ts 生成客户端代码
- 在 React Native 应用中上传图片
- 使用 TanStack Query 进行数据管理
- 后端期望接收 multipart/form-data 格式的数据
注意事项
-
跨平台兼容性:此方案同时考虑了 iOS 和 Android 平台的 URI 格式差异。
-
类型安全:通过 TypeScript 类型守卫确保类型安全。
-
扩展性:可以轻松扩展以支持其他特殊数据类型。
总结
通过自定义表单数据序列化器,我们成功解决了 React Native 中图片上传时对象被字符串化的问题。这个方案不仅解决了当前问题,还提供了良好的扩展性,可以适应未来可能出现的其他数据类型处理需求。
对于使用 @hey-api 生态系统的 React Native 开发者来说,这是一个可靠且实用的解决方案,能够确保文件上传功能在各种场景下正常工作。
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