WedX - журнал о программировании и компьютерных науках

Значение не может быть нулевой ошибкой при обработке OData из веб-API

У меня есть метод WebAPI, который возвращает OData:

[HttpGet]
public PageResult<Students> GetStudents(ODataQueryOptions<Students> queryOptions, string ClassId)
    {
        var allStudents = (from s in new OStudentContext(Convert.ToInt64(ClassId)).Student select s).ToList();

        var results = queryOptions.ApplyTo(allStudents.AsQueryable());

        return new PageResult<Students>(results as IEnumerable<Students>, Request.GetNextPageLink(), Request.GetInlineCount());

    }

URL-адрес запроса выглядит так:

https://localhost:3333/api/odata/GetStudents?StudentId=40932&$inlinecount=allpages&$filter=((IsDeleted%20eq%20null)or(IsDeleted%20eq%20false))&$select=StudentId,FirstName,LastName,EmailID

Значение в результатах есть, и я вижу возвращенные записи. На самом деле их 7, если быть точным.

Проблема в том, что оператор return выдает это исключение:

Значение не может быть нулевым. Имя параметра: данные

Request.GetNextPageLink() имеет значение null, так как нет ссылки на следующую страницу.

Request.GetInlineCount() равно 7.

Итак, что такое null и что означает ошибка в отношении данных?

Заранее спасибо.

09.06.2014

Ответы:


1

Тип элемента после применения ODataQueryOptions больше не «Студенты», если есть какой-то $select или $expand.

Вместо этого он меняется на SelectExpandWrapper.

Таким образом, результат не может быть приведен к IEnumerable<Students>.

Структуру SelectExpandWrapper можно найти на https://aspnetwebstack.codeplex.com/wikipage?title=%24select%20and%20%24expand%20support

10.06.2014
Новые материалы

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


Для любых предложений по сайту: [email protected]