TypeBox项目中使用const数组生成联合类型的方法解析
2025-06-07 01:45:15作者:温艾琴Wonderful
在TypeScript类型系统中,联合类型(Union Types)是一种非常实用的特性,它允许我们将多个类型组合成一个类型。在TypeBox项目中,我们经常需要从一组常量值生成联合类型。本文将深入探讨如何高效地利用const数组来创建TypeBox中的联合类型。
问题背景
在TypeBox中,我们通常使用Type.Union和Type.Literal来创建联合类型。例如:
const AsTUnion = Type.Union([
Type.Literal('first'),
Type.Literal('second'),
Type.Literal('third')
])
这种方式虽然可行,但当我们需要处理大量字面量时,手动编写每个Literal类型会变得非常繁琐。理想情况下,我们希望从一个const数组自动生成这样的联合类型。
解决方案探索
初步尝试
开发者最初尝试使用类型映射来转换数组元素:
export type UnionValues<T extends ReadonlyArray<string | number | boolean>> = {
[K in keyof T]: TLiteral<T[K]>
}
这种方法虽然能正确推断出每个元素的Literal类型,但无法满足TUnion对TSchema[]的约束要求。
递归类型解决方案
TypeBox作者提供了更优雅的递归类型解决方案:
export type TLiteralUnion<T extends string[], Acc extends TLiteral[] = []> =
T extends [infer L extends string, ...infer R extends string[]]
? TLiteralUnion<R, [...Acc, TLiteral<L>]>
: TUnion<Acc>
这个类型定义使用了TypeScript的条件类型和递归类型特性:
- 它接受一个字符串数组
T和一个累加器Acc - 通过模式匹配分解数组为第一个元素
L和剩余元素R - 递归处理剩余元素,同时将当前元素转换为
TLiteral类型并加入累加器 - 当数组为空时,返回累加器构成的
TUnion类型
实现函数
配合上述类型,我们可以实现一个工具函数:
function LiteralUnion<T extends string[]>(values: readonly [...T]): TLiteralUnion<T> {
return Type.Union(values.map(value => Type.Literal(value))) as never
}
这个函数:
- 接受一个只读的字符串数组
- 使用map将每个元素转换为Literal类型
- 通过Type.Union创建联合类型
- 使用类型断言
as never来匹配返回类型
使用示例
const V = ['first', 'second', 'third'] as const
const T = LiteralUnion(V)
生成的T类型将等价于手动创建的联合类型,但代码更加简洁和可维护。
技术要点
- 递归类型:TypeScript的递归类型能力使得我们可以逐步处理数组元素
- 条件类型:通过
extends条件判断实现类型的分支处理 - 可变元组类型:使用
[...T]语法处理元组类型 - 类型推断:
infer关键字在条件类型中提取类型信息 - 类型累加器:使用额外的类型参数作为累加器收集处理结果
总结
通过这种技术,我们可以在TypeBox项目中高效地从const数组生成联合类型,大大减少了样板代码,提高了开发效率和代码可维护性。这种模式不仅适用于字符串字面量,稍加修改后也可用于数字或布尔字面量的联合类型创建。
对于TypeBox用户来说,掌握这种高级类型技巧可以更充分地利用TypeScript的类型系统能力,创建更加灵活和强大的类型定义。
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
184
196
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
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
275
97
暂无简介
Dart
623
140
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
3.43 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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