ts-rest项目中Swagger UI重复显示子路由问题的分析与解决
问题背景
在使用ts-rest框架构建API时,开发者经常会遇到需要将多个契约(contract)组合成一个单一契约的情况。这种模块化的设计模式虽然提高了代码的可维护性,但在生成Swagger UI文档时却可能导致路由重复显示的问题。
问题现象
当开发者将已经组合的契约再次作为子契约组合到更大的契约中时,Swagger UI会将这些子契约的路由显示两次。例如,一个auth契约下包含otp子契约,在Swagger UI中otp相关的路由会同时出现在auth和otp两个标签下。
问题根源
这个问题的根本原因在于OpenAPI规范本身不支持嵌套标签。当ts-rest框架生成OpenAPI文档时,每个路由会被标记上所有层级的契约标签。例如,otp子契约下的路由会被同时标记auth和otp两个标签,而Swagger UI会为每个标签单独显示这些路由,导致重复显示。
解决方案
要解决这个问题,我们需要对生成的OpenAPI文档进行后处理,限制每个路由只保留最具体的标签(即最后一个标签)。以下是具体的实现方案:
import { generateOpenApi } from '@ts-rest/open-api';
import type {
PathsObject,
OperationObject,
} from '@nestjs/swagger/dist/interfaces/open-api-spec.interface';
// 类型守卫函数,判断是否为操作对象
function isOperationObject(value: unknown): value is OperationObject {
return typeof value === 'object' && value !== null && 'tags' in value;
}
// 生成原始OpenAPI文档
const document = generateOpenApi(api, config);
// 处理文档中的路径对象
document.paths = Object.entries(document.paths).reduce<PathsObject>(
(paths, [path, definition]) => {
paths[path] = Object.entries(definition).reduce<Record<string, unknown>>(
(newDefinition, [key, value]) => {
if (isOperationObject(value)) {
// 限制每个操作只保留第一个标签
newDefinition[key] = { ...value, tags: value.tags?.slice(0, 1) };
} else {
newDefinition[key] = value;
}
return newDefinition;
},
{},
);
return paths;
},
{},
);
实现原理
-
类型检查:使用
isOperationObject类型守卫确保我们只处理包含操作定义的对象。 -
路径处理:遍历文档中的所有路径定义,对每个路径下的操作进行处理。
-
标签限制:对于每个操作对象,我们保留其标签数组中的第一个元素,这样就能确保路由只出现在最直接的父契约标签下。
-
不变性保持:使用展开运算符
...确保我们在修改标签时不会意外改变操作对象的其他属性。
最佳实践建议
-
契约组织:在设计API契约结构时,尽量避免过深的嵌套层级,这不仅能避免Swagger UI的显示问题,也能提高代码的可读性。
-
文档定制:考虑将OpenAPI文档的后处理逻辑封装成可复用的工具函数,方便在多个项目中共享。
-
标签策略:如果业务确实需要多标签显示,可以考虑实现更复杂的标签处理逻辑,如基于特定规则保留或排除某些标签。
总结
通过理解OpenAPI规范的限制和ts-rest框架的实现机制,我们能够有效地解决Swagger UI中路由重复显示的问题。这种解决方案不仅保持了API契约的模块化设计优势,还能生成清晰、易读的API文档,为开发者提供更好的开发体验。
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