Apollo iOS 中如何为带参数的 GraphQL 查询设置模拟数据
2025-06-17 03:14:43作者:滕妙奇
在 iOS 开发中使用 Apollo GraphQL 客户端时,单元测试中设置模拟数据是一个常见需求。本文将深入探讨如何为带有多种参数和选择器的复杂查询正确设置模拟数据。
问题背景
当开发者尝试为包含以下特性的 GraphQL 查询设置模拟数据时可能会遇到困难:
- 多个布尔标志参数
- 国家/地区等枚举参数
- 条件性字段(使用 @include 指令)
- 多个数据片段(如 dataA 和 dataB)
常见误区
开发者通常会尝试以下方法但可能无法获得预期结果:
- 使用生成的 Mock 类型直接创建模拟数据
- 从 JSON 响应生成数据对象
- 尝试通过 fulfilledFragments 属性访问数据
其中最大的误区是认为 fulfilledFragments 属性包含实际数据。实际上,这个属性是 Apollo 内部用于字段收集和解析的机制,存储的是 ObjectIdentifier 数组,而非字段数据。
正确解决方案
使用选择集初始化器
Apollo iOS 提供了更可靠的选择集初始化器(Selection Set Initializers)来创建测试数据:
let data = SomeDataQuery.Data(
dataA: .init(
nodes: [
.init(
country: .australia,
id: "Data 1"
)
]
),
dataB: nil
)
这种方法比测试模拟(TestMocks)更直观可靠,也是 Apollo 团队目前推荐的方式。
处理查询参数
对于带有变量的查询,需要确保模拟数据与查询参数匹配:
let variables = SomeDataQuery.Variables(
flagA: true,
flagB: false,
countries: [.australia]
)
let data = SomeDataQuery.Data(
dataA: .init(/* 数据A内容 */),
dataB: nil // 因为 flagB 为 false
)
条件性字段处理
对于使用 @include 指令的字段,在创建模拟数据时应该:
- 如果条件为真,提供相应字段的数据
- 如果条件为假,将该字段设为 nil
最佳实践
- 优先使用选择集初始化器而非测试模拟
- 确保模拟数据结构与查询结构完全匹配
- 对于条件性字段,根据测试场景设置适当的值或 nil
- 考虑创建工厂方法来生成常用测试数据
- 为复杂查询编写专门的测试数据构建器
通过遵循这些方法,开发者可以更可靠地为复杂的 GraphQL 查询创建测试数据,确保单元测试的准确性和可维护性。
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
177
195
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++
647
263
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
270
93
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
378
3.33 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