Malli项目中引用模式路径解析问题的分析与修复
2025-07-10 07:10:42作者:庞队千Virginia
问题背景
Malli是一个强大的Clojure/Script数据验证和模式库。在使用过程中,开发者发现当使用:ref关键字引用存储在变量(var)中的模式时,malli.error/humanize函数会抛出:malli.core/invalid-schema异常。
具体表现为:当定义一个被引用的模式存储在var中,然后通过:ref引用它时,对错误数据进行humanize处理会失败。例如:
(def Referred [:map [:foo :int]])
(def Schema [:ref #'Referred])
(me/humanize
(m/explain Schema {:foo "2"})
{:resolve me/-resolve-root-error})
问题根源分析
经过深入分析,发现问题出在路径解析上。当使用:ref引用var中的模式时,-explainer返回的路径比实际需要的少了一层。
在Malli内部,路径解析机制如下:
- 对于
[:ref #'Referred]这样的模式,实际需要[0 0 :foo]路径才能正确访问到:int验证器 - 但当前实现只提供了
[0 :foo]路径 - 这导致
mu/get-in无法正确找到对应的子模式,最终返回nil - 当尝试获取nil模式的属性时,抛出无效模式异常
技术细节
Malli的模式引用机制有几个关键组件:
- 引用解析:
:ref可以引用注册表中的模式或直接引用var - 路径系统:使用向量路径来定位模式中的特定部分
- 错误解释器:将原始错误转换为人类可读格式
在引用var的情况下,路径系统需要额外处理一层解引用(deref)操作。当前的实现没有考虑到这一点,导致路径计算错误。
解决方案
正确的修复方案是修改-ref-schema的-explainer实现,使其在引用var时添加额外的路径层级:
(-explainer [_ path]
(let [explainer (-memoize
(fn []
(-explainer (rf)
(if (var? ref)
(conj path 0 0)
(conj path 0))))]
(fn [x in acc] ((explainer) x in acc))))
这个修改确保:
- 当引用是var时,路径添加两个0层级(
[0 0]) - 对于非var引用,保持原来的一个0层级(
[0]) - 与
mu/get-in和mu/subschemas的行为保持一致
影响范围
这个修复会影响所有使用:ref引用var中模式的场景,特别是:
- 错误消息的humanize处理
- 模式遍历和子模式访问
- 任何依赖路径解析的功能
最佳实践
基于这个问题的经验,建议开发者在Malli项目中使用引用时:
- 明确区分
:ref和:schema的使用场景 - 对于简单的模式引用,考虑使用注册表而非直接var引用
- 在编写自定义解释器或解析器时,注意路径层级的处理
- 测试时覆盖var引用和非var引用两种情况
结论
Malli作为一个功能丰富的数据验证库,其引用机制提供了强大的灵活性。这次修复确保了var引用的路径解析正确性,使得错误处理更加健壮。理解Malli内部路径系统的工作原理对于开发复杂数据验证逻辑至关重要,也能帮助开发者更好地诊断和解决类似问题。
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
661