在swagger-php中实现动态响应示例的探索
2025-06-08 09:19:28作者:秋阔奎Evelyn
背景介绍
在API文档生成工具swagger-php中,开发者经常需要为不同的资源类型创建响应示例。传统做法是为每个资源单独编写响应示例,这会导致大量重复代码。本文将探讨如何通过自定义响应类实现动态生成响应示例的方案。
核心需求分析
开发者希望创建一个ResourceResponse自定义响应类,它能够:
- 接收一个资源类名作为参数
- 根据传入的资源类自动生成对应的响应示例
- 支持嵌套的资源结构
技术实现方案
基础结构设计
首先需要定义资源模型类,使用swagger-php的注解标记属性和类型:
#[OA\Schema]
class Post
{
#[OA\Property]
private int $post_id = 1;
#[OA\Property]
private string $title = '示例标题';
#[OA\Property]
private string $body = '示例内容';
}
自定义响应类实现
核心的自定义响应类需要继承自OA\Response,并通过扫描已定义的Schema来构建示例:
#[Attribute(Attribute::TARGET_CLASS | Attribute::TARGET_METHOD)]
class ResourceResponse extends OA\Response
{
private static $examples = null;
public function __construct(string $resourceType)
{
$this->initializeExamples();
parent::__construct(
response: 200,
description: '资源响应: '.$resourceType,
content: new OA\JsonContent(
example: ['data' => self::$examples->get($resourceType)]
)
);
}
private function initializeExamples()
{
if (self::$examples !== null) return;
$api = Generator::scan([__DIR__.'/Schemas']);
self::$examples = collect($api->components->schemas)
->mapWithKeys(function($schema) {
return [
$schema->schema => $this->buildExample($schema)
];
});
}
private function buildExample($schema)
{
return collect($schema->properties)
->mapWithKeys(function($property, $name) {
if ($this->isPrimitive($property)) {
return [$name => $property->default];
}
// 处理嵌套资源
return [$name => self::$examples->get($property->ref)];
});
}
}
使用示例
定义好自定义响应类后,可以简洁地使用它:
#[OA\Get(
path: '/posts',
responses: [new ResourceResponse(Post::class)]
)]
public function index()
{
// 控制器逻辑
}
技术难点解析
- Schema扫描与缓存:为避免重复扫描Schema文件,采用静态属性缓存机制
- 嵌套资源处理:递归构建嵌套资源的示例数据
- 类型判断:需要区分基本类型和复杂类型以正确处理
最佳实践建议
- 为所有属性设置合理的默认值,确保示例数据完整
- 考虑使用接口或抽象类统一管理资源类型
- 对于大型项目,建议将Schema扫描逻辑独立为服务类
- 添加适当的异常处理,应对无效资源类型等情况
总结
通过自定义响应类实现动态示例生成,可以显著减少重复代码,提高API文档的维护性。这种方案特别适合资源结构复杂或资源类型众多的项目。虽然实现过程中需要考虑嵌套资源和类型判断等复杂情况,但最终能带来更好的开发体验和文档质量。
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++
661
309
Ascend Extension for PyTorch
Python
221
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
3.86 K
React Native鸿蒙化仓库
JavaScript
260
322