Inertia.js React 2.0.2 中数组参数重复合并问题解析
问题现象
在使用 Inertia.js React 2.0.2 版本时,开发者在处理包含数组的 GET 请求参数时遇到了一个特殊问题。当页面重新加载且 URL 中包含数组参数时,参数值会出现重复合并的情况。
具体表现为:假设初始数据为 { state: ['todo', 'done'] },而当前 URL 为 http://test.localhost/?state[0]=todo,重新加载后 URL 会变成 http://test.localhost/?state[0]=todo&state[1]=todo&state[2]=done。这显然不符合预期行为,会导致参数重复和混乱。
问题根源
经过分析,这个问题源于 deepmerge 函数在 url.ts 文件中的 mergeDataIntoQueryString 方法内的使用方式。当方法为 GET 且包含数据时,系统会尝试将现有查询参数与新数据合并。
关键问题代码段:
if (method === 'get' && Object.keys(data).length) {
url.search = qs.stringify(deepmerge(qs.parse(url.search, { ignoreQueryPrefix: true }), data), {
encodeValuesOnly: true,
arrayFormat: qsArrayFormat,
})
data = {}
}
当执行 deepmerge({ state: ["todo"] }, { state: ["todo"] }) 时,结果会变成 {state: ["todo", "todo"]},这就是导致参数重复的根本原因。
解决方案
临时解决方案
可以通过为 deepmerge 提供自定义的 arrayMerge 选项来解决这个问题:
const overwriteMerge = (destinationArray, sourceArray, options) => sourceArray;
deepmerge(qs.parse(url.search, { ignoreQueryPrefix: true }), data, { arrayMerge: overwriteMerge })
这种方式会确保新数据完全覆盖 URL 中的现有数据。但需要注意这种解决方案可能会带来其他副作用,特别是在需要保留某些参数的情况下。
正确实践方案
更合理的解决方案是重新考虑 API 的使用方式。router.reload 方法的初衷是重新加载当前页面而不改变查询参数,因此不应该用于需要修改查询参数的场景。
正确的做法是使用 router.get 方法:
router.get('/data-table', data, options)
这种方法明确表达了意图:导航到指定路由并携带新的查询参数。这既符合 API 设计初衷,也能避免参数重复的问题。
最佳实践建议
-
明确方法用途:理解每个路由方法的用途,
reload用于刷新当前页面,get用于带参数导航。 -
参数处理:当需要修改查询参数时,始终使用
router.get而不是尝试通过reload来实现。 -
数组参数:处理数组参数时要特别注意合并逻辑,考虑是否需要覆盖式合并还是追加式合并。
-
版本适配:注意不同版本间的行为差异,这个问题在 Inertia.js React 2.0.2 中存在,后续版本可能会优化。
总结
这个问题揭示了框架使用中一个重要原则:理解每个API的设计意图并正确使用。router.reload 不是用来修改查询参数的,这种误用导致了参数重复的问题。开发者应该根据实际需求选择合适的路由方法,对于需要修改查询参数的情况,router.get 才是正确的选择。
同时,这个问题也提醒我们在处理数组参数的合并时需要特别注意,默认的合并行为可能不符合预期,必要时应提供自定义合并策略。
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