Orval项目中Fetch客户端响应类型与状态码匹配问题解析
2025-06-17 05:33:46作者:钟日瑜
背景介绍
在Orval项目中使用Fetch客户端时,开发者遇到了一个关于API响应类型与HTTP状态码匹配的问题。当OpenAPI规范中定义了多个响应状态码(如200和404)时,生成的TypeScript类型并不能很好地反映不同状态码对应的不同响应数据结构。
问题现象
根据OpenAPI规范中的响应定义,当API返回200状态码时,响应体应为CloudEval类型;当返回404状态码时,响应体应为包含error字段的对象。然而,当前Orval生成的类型定义将所有可能的响应数据合并为一个联合类型,导致类型检查时无法根据状态码精确推断响应体结构。
技术分析
当前生成的类型定义如下:
export type apiCloudEvalResponse = {
data: CloudEval | ApiCloudEval404;
status: number;
headers: Headers;
};
这种定义方式存在以下问题:
- 类型安全性不足:无法通过状态码区分不同的响应体结构
- 开发体验不佳:需要手动进行类型断言才能访问特定状态码对应的数据
改进方案
经过讨论,社区提出了更优的类型定义方案:
export type apiCloudEvalResponse200 = {
data: CloudEval;
status: 200;
}
export type apiCloudEvalResponse404 = {
data: ApiCloudEval404;
status: 404;
}
export type apiCloudEvalCompositeResponse =
| apiCloudEvalResponse200
| apiCloudEvalResponse404;
export type apiCloudEvalResponse = apiCloudEvalCompositeResponse & {
headers: Headers
};
这种改进方案具有以下优势:
- 精确的类型匹配:每个状态码对应特定的响应体类型
- 更好的开发体验:可以直接通过状态码进行类型收窄
- 更符合TypeScript的最佳实践:利用联合类型和类型收窄特性
处理默认响应
对于OpenAPI规范中的default响应,可以进一步扩展类型定义:
type HTTPStatusCode = 100 | 101 | 102 | 103 | ...; // 所有可能的HTTP状态码
export type apiCloudEvalResponseDefault = {
data: CloudEvalDefault;
status: Exclude<HTTPStatusCode, 200 | 201>;
}
与React Query的集成考虑
虽然本文主要讨论Fetch客户端的类型改进,但社区也注意到与React Query集成的需求。开发者可以通过自定义Fetch客户端的方式,将错误处理逻辑与React Query的isSuccess/isError机制集成,这为未来的功能扩展提供了方向。
总结
Orval项目中Fetch客户端的响应类型改进,显著提升了类型安全性和开发体验。通过精确匹配状态码与响应体类型,开发者可以编写更健壮、更易维护的代码。这一改进也体现了TypeScript类型系统的强大能力,特别是在处理API响应这类常见场景时的价值。
对于需要处理多种API响应情况的开发者,建议关注这一改进,并根据实际需求考虑是否采用自定义Fetch客户端的方式与现有状态管理库集成。
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
24
9
Ascend Extension for PyTorch
Python
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217