在ngx-formly中自定义JSON Schema验证消息路径的最佳实践
背景介绍
ngx-formly是一个强大的Angular表单生成库,它允许开发者通过JSON Schema来定义表单结构和验证规则。在实际项目中,我们经常需要在Schema中定义验证失败时的提示信息,但默认情况下这些信息需要放在特定路径下(如widget.formlyConfig.validation.messages),这会导致Schema与特定工具耦合。
问题分析
从示例中可以看到,当前ngx-formly支持在JSON Schema中通过widget.formlyConfig.validation.messages路径定义验证消息。然而,这种写法存在两个主要问题:
-
工具耦合性:Schema中直接引用了
formlyConfig这样的特定工具配置,使得Schema无法在其他不依赖ngx-formly的环境中复用。 -
路径冗长:验证消息需要嵌套在多层级路径下,不够简洁直观。
理想情况下,我们希望验证消息能够定义在更通用的路径下,如validationMessages,这样既保持了Schema的通用性,又提高了可读性。
解决方案
ngx-formly提供了map回调函数,允许开发者在解析JSON Schema时自定义字段映射逻辑。我们可以利用这个特性来实现验证消息路径的自定义。
实现步骤
- 定义自定义映射函数:
export function customValidationMessagesMap(schema: any, field: FormlyFieldConfig) {
if (schema.validationMessages) {
field.validation = field.validation || {};
field.validation.messages = {
...(field.validation.messages || {}),
...schema.validationMessages,
};
}
return field;
}
- 在FormlyModule配置中使用映射函数:
@NgModule({
imports: [
FormlyModule.forRoot({
extras: {
map: customValidationMessagesMap,
},
}),
],
})
export class AppModule {}
使用示例
现在,我们可以使用更简洁的Schema格式:
{
"zipcode": {
"pattern": "^[0-9]+$",
"type": "string",
"validationMessages": {
"pattern": "邮政编码必须由5位数字组成"
}
}
}
优势分析
-
解耦设计:Schema不再包含任何ngx-formly特定的配置,可以在不同平台和工具间共享。
-
可维护性:验证消息定义在更直观的路径下,提高了Schema的可读性和可维护性。
-
灵活性:通过映射函数可以灵活处理各种自定义Schema结构,满足不同项目的需求。
扩展建议
-
多语言支持:可以在映射函数中根据当前语言环境选择不同的验证消息。
-
默认消息:结合Schema中的验证规则自动生成默认验证消息,减少重复定义。
-
消息模板:支持在消息中使用变量,如
{{minLength}},实现更动态的提示信息。
总结
通过ngx-formly的map回调功能,我们可以优雅地实现JSON Schema验证消息路径的自定义,既保持了Schema的通用性,又满足了项目特定的需求。这种方法适用于需要跨平台共享Schema或追求更高可维护性的项目场景。
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