Awesome GitHub RepositoriesValidation Result Serializers

Great Expectations is a data quality testing framework and observability platform designed to monitor the reliability of data pipelines. It provides a structured environment for defining, documenting, and automating data quality assertions, allowing teams to validate datasets against expected structure and content before they move through downstream processes. The project distinguishes itself through a declarative domain-specific language that stores quality rules as version-controlled configuration files. It utilizes an execution engine abstraction to translate these high-level assertions in

Arktype is a TypeScript runtime validation library and schema orchestrator. It synchronizes TypeScript types with runtime data validation, allowing users to define type-safe schemas that ensure unknown data adheres to specific structures during application execution. The project distinguishes itself by using set-theory type analysis to determine intersections and subtype compatibility, alongside JIT-compiled validation functions for optimized performance. It supports advanced type modeling through branded type constraints, recursive alias resolution, and the ability to generate runtime valida

Typia is a compile-time code generator that transforms TypeScript type annotations into runtime validation, serialization, and schema functions without requiring decorators or separate schema files. It generates optimized validation and serialization code during TypeScript compilation, producing dedicated functions for each type that eliminate runtime schema objects for faster execution. The project extends this core capability into several integrated areas. It generates fully typed client SDKs from NestJS controller source code, keeping server and client types synchronized automatically. It

Proselint ist ein Prose-Linter und regelbasierter Textanalysator, der darauf ausgelegt ist, stilistische Fehler, Klischees und Jargon in geschriebenen Texten zu identifizieren. Er scannt Dokumente anhand eines kuratierten Registers linguistischer und typografischer Regeln, um professionelle redaktionelle Standards zu wahren und die Schreibqualität zu verbessern. Das Projekt fungiert als Kommandozeilen-Textprozessor, programmierbare Analysebibliothek und Git-Pre-Commit-Hook. Seine modulare Architektur erlaubt es, die Kern-Engine in andere Anwendungen einzubetten, über eine REST-API bereitzustellen oder in Texteditoren zu integrieren. Das Tool unterstützt die rekursive Verzeichnisdurchsuchung für Stapelanalysen und akzeptiert Text über die Standardeingabe für den Einsatz in Kommandozeilen-Pipelines. Es bietet Konfigurationsoptionen zum Aktivieren oder Deaktivieren spezifischer linguistischer Prüfungen und kann Diagnoseergebnisse im strukturierten JSON-Format exportieren.

Pa11y ist ein automatisierter Web-Accessibility-Auditor und WCAG-Compliance-Scanner. Er fungiert als Headless-Browser-Testtool und Node.js-Accessibility-API, die Barrieren für Benutzer mit Behinderungen mithilfe automatisierter Regeln und Industriestandards identifiziert. Das Projekt bietet eine programmierbare Schnittstelle zum Auslösen von Audits und zum Abrufen strukturierter Ergebnisobjekte innerhalb von JavaScript-Anwendungen. Es zeichnet sich durch Funktionen wie Benutzerinteraktionssimulation, Seitenzustandssynchronisierung und die Möglichkeit aus, Testbereiche mithilfe von CSS-Selektoren einzuschränken, um spezifische Seitenbereiche zu prüfen. Das System unterstützt Massen-Seiten-Audits und dient als Accessibility-Gate für CI/CD-Pipelines, um Deployments zu blockieren, wenn Regressionen erkannt werden. Zu den umfassenden Funktionen gehören die Überwachung von Accessibility-Gesundheitstrends über Dashboards, die Konfiguration von Browserumgebungen und der Export von Compliance-Berichten in mehreren Formaten. Es ist als Befehlszeilenschnittstelle und als Promise-basierte Node.js-Bibliothek verfügbar.

Deepchecks ist ein Framework zur Validierung von Machine-Learning-Modellen und eine MLOps-Testbibliothek. Es dient als Suite für KI-Datenqualität und Leistungsbewertung, die entwickelt wurde, um die Integrität und Performance von Modellen und Datensätzen von der Forschung bis zur Produktion zu verifizieren. Das Projekt fungiert als Modell-Monitoring-Tool zur Verfolgung von Data Drift und Leistungsverschlechterung in Produktionsumgebungen. Es ermöglicht die Erstellung benutzerdefinierter Validierungssuiten und nutzt eine erweiterbare Check-Architektur, um Qualitätsprüfungen innerhalb von CI/CD-Pipelines zu automatisieren. Das Framework deckt ein breites Spektrum an Funktionen ab, einschließlich Datenintegritätsprüfung, verteilungsbasierter Drift-Erkennung und Modellversionsvergleich. Es bietet spezialisierte Analysen für Computer Vision und Natural Language Processing sowie Reporting-Tools, die Validierungsmetriken in interaktive visuelle Berichte umwandeln. Das System unterstützt die On-Premises-Bereitstellung, um Datensicherheit und Infrastrukturkontrolle zu wahren.