Valibot 中的多值验证:values 和 notValues 的实现与应用
Valibot 是一个强大的 TypeScript 数据验证库,最近在 1.0.0-rc.1 版本中新增了 values 和 notValues 验证器,为开发者提供了更灵活的数据验证能力。本文将深入探讨这一新特性的实现原理和使用场景。
多值验证的需求背景
在实际开发中,我们经常需要验证一个值是否属于一组允许的值(白名单),或者不属于一组禁止的值(黑名单)。虽然 Valibot 之前提供了 .value 和 .notValue 验证器,但它们只能处理单个值的情况,对于多值验证需要开发者自行实现,通常通过以下方式:
- 使用多个
.value或.notValue验证器组合 - 编写自定义的
.check验证逻辑 - 使用正则表达式
.regex验证
这些方法虽然可行,但不够直观且代码冗余。新增的 values 和 notValues 验证器正是为了解决这一问题。
新验证器的特性解析
values 验证器
values 验证器用于确保输入值存在于指定的值列表中,相当于白名单验证。其基本用法如下:
v.pipe(
v.string(),
v.values(['admin', 'editor', 'viewer'], '角色必须是预定义值之一')
);
notValues 验证器
notValues 验证器则相反,确保输入值不在指定的值列表中,相当于黑名单验证。例如:
v.pipe(
v.number(),
v.notValues([0, 8080, 3000], '端口号不能是保留端口')
);
技术实现细节
从实现角度看,这两个验证器底层都是基于数组的 includes 方法进行判断:
values验证器:allowedValues.includes(input)notValues验证器:!disallowedValues.includes(input)
这种实现方式简洁高效,同时保持了与 JavaScript 原生方法的一致性。
特殊值的处理
值得注意的是,这两个验证器对特殊值的处理遵循 JavaScript 的严格相等比较(===)规则:
NaN的处理:由于NaN === NaN在 JavaScript 中总是返回 false,因此values和notValues无法直接用于NaN的验证。对于这种情况,仍然需要使用专门的.check验证器:
v.check(i => !Number.isNaN(i), '必须是一个有效数字')
- 对象和数组的比较:由于对象和数组是通过引用比较的,这两个验证器不适合用于复杂对象的验证。
实际应用场景
表单输入验证
在处理表单输入时,我们经常需要验证用户输入是否符合预定义的选项:
const roleSchema = v.pipe(
v.string(),
v.values(['admin', 'editor', 'viewer'], '无效的角色类型')
);
API 参数验证
在 API 开发中,可以用 notValues 验证器来防止使用保留值:
const portSchema = v.pipe(
v.number(),
v.notValues([0, 80, 443], '不能使用系统保留端口')
);
类型安全的替代方案
Valibot 还提供了类型更安全的替代方案,如 picklist 或 literal 与 union 的组合:
const roleSchema = v.union([
v.literal('admin'),
v.literal('editor'),
v.literal('viewer')
]);
这种方法能提供更精确的 TypeScript 类型推断,适合在类型安全要求高的场景使用。
最佳实践建议
- 对于简单的值列表验证,优先使用
values和notValues,它们语法简洁,易于理解 - 当需要精确的类型推断时,考虑使用
picklist或literal组合 - 对于
NaN等特殊值的验证,使用专门的.check验证器 - 在处理用户输入时,考虑将字符串输入转换为目标类型后再验证
总结
Valibot 新增的 values 和 notValues 验证器为开发者提供了更便捷的多值验证方式,简化了常见验证场景的代码编写。理解这些验证器的特性和适用场景,能够帮助开发者构建更健壮、更易维护的数据验证逻辑。在实际项目中,应根据具体需求选择合适的验证策略,平衡代码简洁性和类型安全性。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00