Redux Toolkit中如何正确定义和使用TypedUseQuery类型
2025-05-21 06:25:00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
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
245
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
672
157
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
262
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
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217