Swift OpenAPI Generator 中的响应类型解析问题解析
2025-07-10 01:51:55作者:俞予舒Fleming
背景介绍
在 Swift OpenAPI Generator 项目中,开发者遇到了一个关于 API 响应类型解析的有趣问题。当服务器返回一个包含详细信息的 JSON 响应时,客户端代码却将其解析为一个更简单的结构体。这种现象揭示了 OpenAPI 规范中 oneOf 和 anyOf 关键字在实际应用中的行为差异。
问题现象
开发者定义了两个响应结构体:
CreateTranscriptionResponseJson- 仅包含转录文本的简单结构CreateTranscriptionResponseVerboseJson- 包含语言、时长、单词时间戳等详细信息的复杂结构
尽管服务器返回的是详细响应,但客户端总是将其解析为简单结构。这是因为简单结构是详细结构的子集,而解码器会按顺序尝试解析每个可能的类型。
技术分析
OpenAPI 的组合关键字
OpenAPI 规范提供了几种组合模式的关键字:
oneOf- 响应必须精确匹配其中一个模式anyOf- 响应可以匹配一个或多个模式allOf- 响应必须匹配所有指定的模式
在默认实现中,解码器会按顺序尝试每个可能的模式,直到找到第一个能够成功解码的类型。这就是为什么子集结构会被优先匹配的原因。
解码器的工作机制
Swift OpenAPI Generator 生成的解码代码大致如下:
public init(from decoder: any Decoder) throws {
var errors: [any Error] = []
do {
value1 = try .init(from: decoder)
} catch {
errors.append(error)
}
do {
value2 = try .init(from: decoder)
} catch {
errors.append(error)
}
// 验证至少有一个模式匹配成功
try Swift.DecodingError.verifyAtLeastOneSchemaIsNotNil(
[value1, value2],
type: Self.self,
codingPath: decoder.codingPath,
errors: errors
)
}
这种实现意味着解码顺序会影响结果,特别是当一种类型是另一种类型的子集时。
解决方案
开发者最终发现并解决了两个关键问题:
- 类型定义问题:API 规范中将数值类型错误地定义为字符串类型,导致详细结构的解码失败
- 顺序问题:在
anyOf或oneOf中,将更具体的类型放在前面可以提高匹配成功率
最佳实践建议
- 精确的类型定义:确保 API 规范中所有字段的类型定义准确无误
- 合理的组合顺序:在
anyOf或oneOf中,将更具体、更复杂的类型放在前面 - 考虑使用 discriminator:虽然在这个案例中不适用,但在有明确类型标识的情况下,discriminator 可以提供更可靠的类型区分
- 测试验证:编写单元测试验证各种响应情况下的解析行为
总结
这个案例展示了 API 客户端代码生成中类型解析的微妙之处。理解 OpenAPI 的组合关键字和解码器的工作机制,对于设计可靠的 API 接口和客户端代码至关重要。通过精确的类型定义和合理的结构设计,可以避免这类解析歧义问题。
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
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 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
暂无简介
Dart
680
160
🔥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
Ascend Extension for PyTorch
Python
229
259
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
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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