SmartEnum项目与FastEndpoints框架的集成实践
背景介绍
SmartEnum是一个强大的.NET枚举增强库,它提供了类型安全、可扩展的枚举实现方式。在实际开发中,我们经常需要将SmartEnum与Web框架集成,比如流行的FastEndpoints框架。然而,由于SmartEnum的特殊实现方式,在序列化和反序列化过程中可能会遇到一些挑战。
核心问题
当开发者尝试在FastEndpoints中使用包含SmartEnum属性的DTO时,系统可能会抛出反序列化错误。这是因为System.Text.Json默认不知道如何处理SmartEnum类型的转换。
解决方案
1. 实现TryParse方法
首先,我们需要在SmartEnum类中实现TryParse方法,这有助于框架正确解析查询参数:
public sealed class SortOrder : SmartEnum<SortOrder, string>
{
public static readonly SortOrder Asc = new(nameof(Asc), nameof(Asc));
public static readonly SortOrder Desc = new(nameof(Desc), nameof(Desc));
public static bool TryParse(string value, out SortOrder result)
{
return TryFromValue(value, out result);
}
private SortOrder(string name, string value) : base(name, value) { }
}
2. 配置FastEndpoints序列化选项
在应用程序启动时,需要为FastEndpoints配置SmartEnum的转换器:
app.UseFastEndpoints(x =>
{
x.Serializer.Options.Converters.Add(new SmartEnumValueConverter<SortOrder, string>());
x.Serializer.Options.DefaultIgnoreCondition = JsonIgnoreCondition.WhenWritingNull;
});
3. 正确标注DTO属性
根据使用场景的不同,需要为DTO中的SmartEnum属性添加适当的JsonConverter特性:
public class BaseSortPaginatedRequest
{
[QueryParam]
[JsonConverter(typeof(SmartEnumNameConverter<SortOrder, string>))]
public SortOrder? SortOrder { get; set; }
}
注意事项
-
请求与响应处理:不仅请求DTO需要标注JsonConverter,响应DTO中的SmartEnum属性也需要同样的处理。
-
使用场景区分:
- 对于查询参数(QueryParam),建议使用SmartEnumNameConverter
- 对于请求体(Body),SmartEnumValueConverter可能更合适
-
性能考虑:在频繁使用的SmartEnum类型上,可以考虑将转换器实例缓存起来,避免重复创建。
最佳实践建议
-
统一命名规范:为项目中所有的SmartEnum类型统一实现TryParse方法,保持一致性。
-
集中注册:在项目启动时集中注册所有SmartEnum转换器,便于管理。
-
文档记录:在团队内部文档中记录SmartEnum的使用规范,特别是与Web框架集成的部分。
-
单元测试:为SmartEnum的序列化和反序列化编写专门的测试用例,确保在各种场景下都能正常工作。
总结
通过以上方法,开发者可以顺利地在FastEndpoints项目中使用SmartEnum,享受类型安全枚举带来的好处,同时避免序列化相关的问题。这种集成方式不仅适用于FastEndpoints,其原理也可以应用于其他基于System.Text.Json的Web框架。
在实际项目中,建议团队根据具体需求调整实现细节,并建立相应的代码规范和审查机制,确保SmartEnum的正确使用。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0370Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0102AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









