Django REST Framework SimpleJWT 中使用自定义用户ID字段导致令牌刷新失败的解决方案
在使用 Django REST Framework SimpleJWT 进行 JWT 认证时,很多开发者会遇到一个常见问题:当使用自定义用户模型并指定非主键字段作为用户标识时,在刷新令牌时会出现 HTTP 500 错误。本文将深入分析这个问题及其解决方案。
问题背景
在 Django 项目中,我们经常会扩展默认的用户模型,添加额外的字段。例如,使用 UUID 作为用户标识而非默认的自增 ID:
from django.contrib.auth.models import AbstractUser
import uuid
class CustomUser(AbstractUser):
uuid = models.UUIDField(default=uuid.uuid4, unique=True)
在 SimpleJWT 配置中,我们通常会这样设置:
SIMPLE_JWT = {
'USER_ID_FIELD': 'uuid', # 使用uuid字段而非默认的id
'ROTATE_REFRESH_TOKENS': True,
'BLACKLIST_AFTER_ROTATION': True,
# 其他配置...
}
问题现象
当启用令牌轮换和黑名单功能后,在调用 /api/token/refresh/ 端点时,系统会抛出 500 错误,核心错误信息为:
ValueError: Field 'id' expected a number but got '4faf8673-02f5-4a1d-8994-dd76adab934a'
问题根源分析
这个问题源于 SimpleJWT 内部 BlacklistMixin 的实现方式。在令牌黑名单处理过程中,代码尝试直接使用 USER_ID_CLAIM 的值(即用户的 UUID)来创建 OutstandingToken 记录,但 OutstandingToken 模型的 user 字段是一个外键,默认期望接收的是用户主键(通常是数字 ID)。
具体来说,问题出在以下代码路径:
- 当刷新令牌时,
TokenRefreshView会验证刷新令牌 - 验证通过后,会调用
refresh.blacklist()方法将旧令牌加入黑名单 - 在
blacklist()方法中,尝试创建OutstandingToken记录时,直接将 UUID 值赋给了用户外键字段
解决方案
这个问题在 SimpleJWT 5.5.0 版本中已经得到修复。解决方案的核心思路是:
- 首先通过
USER_ID_FIELD配置获取用户模型 - 然后使用该字段查询对应的用户对象
- 最后将用户对象(而非原始ID值)赋给
OutstandingToken的user字段
升级到 5.5.0 或更高版本是最简单的解决方案。如果由于某些原因无法升级,可以按照以下方式手动修复:
from django.contrib.auth import get_user_model
def custom_blacklist(self):
jti = self.payload[api_settings.JTI_CLAIM]
exp = self.payload["exp"]
user_id = self.payload.get(api_settings.USER_ID_CLAIM)
# 获取用户对象而非直接使用ID
user = get_user_model().objects.get(**{api_settings.USER_ID_FIELD: user_id})
token, _ = OutstandingToken.objects.get_or_create(
jti=jti,
defaults={
"user": user, # 使用用户对象
"created_at": self.current_time,
"token": str(self),
"expires_at": datetime_from_epoch(exp),
},
)
return BlacklistedToken.objects.get_or_create(token=token)
最佳实践
- 保持更新:始终使用最新版本的 SimpleJWT,以避免已知问题
- 测试覆盖:在使用自定义用户模型时,确保测试令牌的获取、刷新和验证流程
- 明确配置:在
settings.py中明确设置所有相关的 JWT 配置项 - 监控日志:对认证相关的错误日志进行监控,及时发现类似问题
总结
在使用 Django REST Framework SimpleJWT 时,自定义用户模型是常见需求,但需要注意与令牌黑名单功能的兼容性。通过理解底层实现原理,我们可以更好地规避和解决这类问题。最新版本的 SimpleJWT 已经修复了这个兼容性问题,推荐开发者及时升级以获得更好的开发体验。
对于正在使用旧版本的项目,可以采用本文提供的临时解决方案,但长期来看,升级到最新版本才是最佳选择。
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