Redux Toolkit中如何正确定义和使用TypedUseQuery类型
2025-05-21 03:30:42作者:胡易黎Nicole
在Redux Toolkit项目开发中,我们经常需要封装统一的API调用接口,以便在不同应用间共享组件。本文将深入探讨如何正确使用TypedUseQuery类型来定义统一的查询钩子接口。
问题背景
当我们需要在多个应用间共享使用Redux Toolkit Query的组件时,常常会遇到一个需求:组件需要调用API,但具体的API实现可能因应用而异。这时就需要定义一个统一的接口类型,让组件不关心具体实现,而由各个应用自行提供符合规范的实现。
错误示范
初学者可能会尝试这样定义和使用TypedUseQuery类型:
import {FetchArgs, BaseQueryFn} from '@reduxjs/toolkit/query';
import {TypedUseQuery} from '@reduxjs/toolkit/query/react';
export type UseFetchingType = TypedUseQuery<JSONValue, FetchArgs, BaseQueryFn>;
// 错误的实现方式
export const defaultUseFetching: UseFetchingType = () => ({
data: undefined,
error: undefined,
isUninitialized: true,
isLoading: false,
isFetching: false,
isSuccess: false,
isError: false,
refetch: () => {},
});
这种写法会导致TypeScript报错,因为TypedUseQuery类型实际上是一个复杂的泛型类型,它需要考虑selectFromResult等选项,而简单的返回固定值对象并不符合其类型约束。
正确实现方式
正确的做法是使用Redux Toolkit Query实际生成的查询钩子来赋值:
// 首先创建API切片
export const apiSlice = createApi({
reducerPath: 'api',
baseQuery: autoBaseQueryWithReAuth,
endpoints: _builder => ({}),
});
// 然后注入具体端点
const slice = apiSlice.injectEndpoints({
endpoints: builder => ({
generalFetching: builder.query<JSONValue, string | FetchArgs>({
query: args =>
typeof args === 'object'
? {
...args,
method: args.method ?? 'GET',
params: {rid: crypto.randomUUID(), ...args.params},
}
: {
url: args,
method: 'GET',
params: {rid: crypto.randomUUID()},
},
transformResponse: (rawResult) => rawResult.data!,
}),
}),
});
// 获取生成的查询钩子
const {useGeneralFetchingQuery} = slice;
// 这才是正确的赋值方式
const defaultUseFetching: UseFetchingType = useGeneralFetchingQuery;
类型定义解析
让我们仔细看看TypedUseQuery的类型定义:
type UseFetchingType = TypedUseQuery<ResultType, QueryArg, BaseQuery>;
其中三个泛型参数分别代表:
- ResultType: 查询结果的类型
- QueryArg: 查询参数的类型,可以是字符串或FetchArgs对象
- BaseQuery: 基础查询函数的类型
架构设计建议
在实际项目中,推荐采用以下架构设计:
- 定义统一的接口类型(UseFetchingType)
- 组件层只依赖接口类型,不关心具体实现
- 每个应用提供自己的实现,注入到组件中
- 组件在不同应用中运行时,会自动使用对应的API实现
这种设计模式很好地遵循了依赖倒置原则,使组件与具体实现解耦,提高了代码的可复用性和可维护性。
总结
正确使用Redux Toolkit的TypedUseQuery类型需要注意以下几点:
- TypedUseQuery是一个复杂的泛型类型,不能简单地用固定返回值来模拟
- 应该使用createApi和injectEndpoints生成的真实查询钩子
- 类型参数需要正确定义结果类型、查询参数类型和基础查询类型
- 这种类型定义方式非常适合在需要统一接口的多应用场景中使用
通过本文的介绍,希望读者能够掌握在Redux Toolkit项目中正确定义和使用TypedUseQuery类型的方法,构建出更加灵活、可复用的前端架构。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
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
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++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210