使用Yup库处理动态类型数组的验证方案
2025-05-08 07:27:26作者:申梦珏Efrain
Yup是一个流行的JavaScript对象模式验证库,广泛应用于表单验证和数据校验场景。在实际开发中,我们经常会遇到需要验证包含不同类型对象的动态数组的情况,比如问卷调查系统中的问题列表。
动态数组验证的挑战
在问卷调查系统中,通常会包含多种类型的问题:
- 文本输入题(单行文本)
- 多行文本题
- 数字输入题
- 选择题(单选/多选)
每种问题类型都有不同的字段结构和验证规则,这给数据验证带来了挑战。传统静态验证方案无法处理这种动态类型的情况。
Yup的lazy验证方案
Yup提供了lazy方法来解决这类问题。lazy允许我们根据当前值动态返回不同的验证模式。核心思路是:
- 为数组中的每个元素定义一个类型判断条件
- 根据类型返回对应的验证模式
- 处理未知类型的默认情况
实现代码示例
import * as Yup from "yup";
const questionnaireSchema = Yup.object().shape({
questionnaire: Yup.object().shape({
name: Yup.string().required("问卷名称必填"),
description: Yup.string().required("问卷描述必填"),
questions: Yup.array()
.of(
Yup.lazy((item) => {
switch (item.type) {
case "text":
return Yup.object().shape({
id: Yup.string().required("问题ID必填"),
text: Yup.string().required("问题文本必填"),
type: Yup.string().required("问题类型必填"),
answer: Yup.string().required("答案必填"),
});
case "multiline":
return Yup.object().shape({
id: Yup.string().required("问题ID必填"),
text: Yup.string().required("问题文本必填"),
type: Yup.string().required("问题类型必填"),
answer: Yup.string().required("答案必填"),
});
case "number":
return Yup.object().shape({
id: Yup.string().required("问题ID必填"),
text: Yup.string().required("问题文本必填"),
type: Yup.string().required("问题类型必填"),
NumValue: Yup.number().required("数值答案必填"),
});
case "choice":
return Yup.object().shape({
id: Yup.string().required("问题ID必填"),
type: Yup.string().required("问题类型必填"),
availableColours: Yup.array()
.of(Yup.string().required())
.required("选项列表必填"),
favColours: Yup.string().required("选择答案必填"),
});
default:
return Yup.object();
}
})
)
.required("问题列表不能为空"),
}),
});
方案优势分析
- 灵活性:能够根据数据类型动态调整验证规则
- 可维护性:每种类型的验证规则集中管理,便于修改
- 可扩展性:新增问题类型只需添加新的case分支
- 错误信息定制:可以为每种字段提供特定的错误提示
实际应用建议
- 类型安全:在使用TypeScript时,可以结合联合类型确保类型安全
- 性能考虑:对于大型数组,验证可能会有性能影响,建议分页或分批验证
- 默认值处理:可以在验证前为缺失字段设置合理默认值
- 错误收集:使用
validate或validateSync方法收集所有验证错误
总结
Yup的lazy验证方法为解决动态类型数组验证提供了优雅的解决方案。通过这种方法,开发者可以构建灵活、可维护的数据验证逻辑,特别适合处理包含多种类型元素的复杂数据结构。在实际项目中,这种技术可以广泛应用于问卷调查、动态表单、配置系统等各种需要处理异构数据的场景。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
405
3.14 K
Ascend Extension for PyTorch
Python
226
251
暂无简介
Dart
672
159
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++
663
319
🎉 (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
1.21 K
657
React Native鸿蒙化仓库
JavaScript
262
325
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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868