ts-rs v11.0.0发布:更强大的Rust到TypeScript类型转换工具
ts-rs是一个优秀的Rust库,它能够自动将Rust类型转换为TypeScript类型定义,极大地简化了前后端类型同步的工作。这个工具特别适合全栈开发场景,让开发者可以保持前后端类型系统的一致性,减少手动维护类型定义的工作量。
主要更新内容
1. 可选字段的批量声明
新版本引入了#[ts(optional_fields)]属性,这是一个非常实用的功能。在之前的版本中,如果我们需要将一个结构体的所有字段都声明为可选,需要为每个字段单独添加#[ts(optional)]属性。现在,只需要在结构体级别添加#[ts(optional_fields)]就能实现同样的效果。
#[derive(TS)]
#[ts(optional_fields)]
struct Form {
first_name: Option<String>, // 生成 first_name?: string
last_name: Option<String>, // 生成 last_name?: string
email: Option<String>, // 生成 email?: string
}
这个特性特别适合处理表单数据或API请求体这类场景,其中很多字段都是可选的。
2. 增强的serde兼容性
ts-rs现在更好地与serde序列化库集成。当字段同时使用#[serde(skip_serializing_if)]和#[serde(default)]属性时,ts-rs会自动将这些字段转换为TypeScript中的可选属性。
#[derive(Serialize, Deserialize, TS)]
struct User {
#[serde(skip_serializing_if = "Option::is_none", default)]
nickname: Option<String>, // 生成 nickname?: string | null
}
这种改进确保了生成的TypeScript类型既能正确反映序列化行为,也能匹配反序列化需求,减少了类型不匹配的问题。
3. 更灵活的属性表达式
新版本允许在多个属性中使用任意Rust表达式,这为类型定义带来了更大的灵活性:
// 使用模块路径作为类型名称
#[derive(TS)]
#[ts(rename = module_path!().rsplit_once("::").unwrap().1)]
struct Model;
// 在文档注释中包含文件路径信息
#[derive(TS)]
#[doc = concat!("定义于 ", file!())]
struct UserGroup;
这个特性特别适合大型项目或代码生成场景,可以实现更动态的类型定义方式。
4. 元组结构体的可选字段
现在可以在元组结构体中使用#[ts(optional)]属性标记可选字段:
#[derive(TS)]
struct Location(Country, State, #[ts(optional)] City); // 生成 [Country, State, City?]
这使得元组结构体的类型转换更加灵活,能够更好地表达各种数据结构。
升级注意事项
从v10升级到v11时需要注意以下几点:
-
当同时使用
#[serde(skip_serializing(_if))]和#[serde(default)]时,字段现在会被转换为可选属性。如果不需要这种行为,可以使用#[ts(optional = false)]显式禁用。 -
ts_rs::TStrait的API有微小调整,大多数用户不会受到影响,但如果直接与这个trait交互,可能需要做少量调整。
技术实现亮点
-
更智能的serde属性处理:通过分析serde属性组合,自动推断出最合适的TypeScript类型表示。
-
表达式支持:利用Rust的宏系统,实现了对任意表达式的解析和求值,大大增强了属性的表达能力。
-
类型系统改进:优化了内部类型表示,使得可选类型的处理更加一致和可靠。
适用场景
ts-rs v11.0.0特别适合以下场景:
-
全栈TypeScript项目:保持前后端类型定义完全同步。
-
API文档生成:结合Swagger或其他文档工具,自动生成准确的类型定义。
-
大型项目维护:减少手动维护类型定义的工作量,提高开发效率。
-
动态类型需求:利用新的表达式支持,实现更灵活的类型生成逻辑。
这个版本的发布标志着ts-rs在Rust和TypeScript互操作领域又迈出了重要一步,为开发者提供了更强大、更灵活的类型转换能力。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00