ngx-formly中JSON Schema动态多选表单的验证问题解析
2025-06-27 17:14:45作者:庞队千Virginia
在使用ngx-formly处理JSON Schema生成表单时,开发人员可能会遇到一个关于动态多选表单验证的常见问题。本文将深入分析这个问题产生的原因,并提供专业的解决方案。
问题现象
当使用JSON Schema定义多选下拉框时,如果初始定义了枚举值(enum),但后续通过expressionProperties动态修改选项(options),表单验证仍然会基于初始的enum值进行校验,而不是使用动态更新的选项值。
问题根源
这个问题的核心在于ngx-formly的JSON Schema转换机制。当Schema转换器处理包含enum定义的多选字段时,会自动添加基于这些enum值的验证规则。这些验证规则在字段初始化时就被固定下来,不会随着后续options的动态变化而更新。
解决方案
要解决这个问题,我们需要在转换后的字段配置中显式地移除或更新验证规则。以下是两种可行的解决方案:
方案一:移除自动生成的验证器
const field = formlyJsonschema.toFieldConfig(JSON.parse(this.json));
const multiSelectField = field.fieldGroup[0];
// 移除自动添加的验证器
delete multiSelectField.validators;
delete multiSelectField.asyncValidators;
// 动态设置选项
multiSelectField.expressions = {
'props.options': () => [
{ value: 'Dynamic option1', label: 'Dynamic option1' },
],
};
方案二:自定义验证逻辑
如果需要保留验证功能,可以自定义验证逻辑来匹配动态选项:
multiSelectField.validators = {
validation: [
(control: FormControl) => {
const currentOptions = multiSelectField.props.options.map(opt => opt.value);
if (Array.isArray(control.value)) {
return control.value.every(val => currentOptions.includes(val))
? null
: { invalidSelection: true };
}
return null;
}
]
};
最佳实践
- 对于完全动态的选项,建议在Schema中不定义enum,而是通过props.options直接提供选项
- 如果必须使用enum,在转换后手动处理验证逻辑
- 考虑使用formly的extension机制来统一处理这类场景
总结
ngx-formly的JSON Schema转换器为了保持Schema的完整性,会严格遵守Schema中定义的约束条件。当我们需要实现动态行为时,需要理解这种机制并在转换后进行适当的调整。通过手动控制验证逻辑,我们可以实现既符合业务需求又保持良好用户体验的动态表单。
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
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
🔥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
暂无简介
Dart
671
155
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++
660
309
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
392
3.84 K
React Native鸿蒙化仓库
JavaScript
259
322