Flask项目中实现CORS中间件的正确方式
在Flask项目开发中,跨域资源共享(CORS)是一个常见需求。本文将深入探讨如何在Flask应用中正确实现CORS中间件,避免常见的陷阱。
问题背景
开发者尝试在Flask应用中实现自定义CORS处理,不使用第三方库如flask-cors。他们遇到了一个典型问题:OPTIONS预检请求没有被正确拦截处理,导致预检请求被当作普通请求处理。
常见错误实现
很多开发者会尝试以下方式实现CORS中间件:
class CORSMiddleware:
def before_request(self):
if request.method == "OPTIONS":
response = jsonify({"status": "ok"})
return self.process_response(response)
def after_request(self, response):
return self.process_response(response)
def register(self, app: Flask):
app.before_request(self.before_request)
app.after_request(self.after_request)
这种实现看似合理,但实际上存在一个关键问题:before_request钩子中返回的响应会绕过视图函数,但不会阻止后续的after_request钩子执行。这会导致预检请求的处理出现异常。
正确实现方式
1. 使用Flask内置机制
Flask提供了更优雅的方式处理OPTIONS请求。我们可以利用@app.before_request装饰器,结合返回响应来拦截请求:
@app.before_request
def handle_options():
if request.method == "OPTIONS":
resp = current_app.make_default_options_response()
resp.headers["Access-Control-Allow-Origin"] = "*"
resp.headers["Access-Control-Allow-Headers"] = "Content-Type, Authorization"
resp.headers["Access-Control-Allow-Methods"] = "GET, POST, OPTIONS, DELETE, PUT"
return resp
这种方式利用了Flask内置的make_default_options_response()方法,它会自动生成符合规范的OPTIONS响应。
2. 使用Werkzeug中间件
如问题中所示,使用Werkzeug中间件也是一种可靠方案。Werkzeug中间件在WSGI层面工作,能更底层地控制请求/响应流程:
from werkzeug.wrappers import Request, Response
class CORSMiddleware:
def __init__(self, app):
self.app = app
def __call__(self, environ, start_response):
request = Request(environ)
if request.method == "OPTIONS":
response = Response(status=200)
response.headers.extend(self._get_cors_headers())
return response(environ, start_response)
def custom_start_response(status, headers, exc_info=None):
headers.extend(self._get_cors_headers())
return start_response(status, headers, exc_info)
return self.app(environ, custom_start_response)
def _get_cors_headers(self):
return [
("Access-Control-Allow-Origin", "*"),
("Access-Control-Allow-Headers", "Content-Type, Authorization"),
("Access-Control-Allow-Methods", "GET, POST, OPTIONS, DELETE, PUT")
]
实现原理分析
-
请求处理流程:Flask处理请求时,会依次执行
before_request钩子、视图函数和after_request钩子。如果在before_request中返回响应,视图函数会被跳过,但after_request仍会执行。 -
OPTIONS请求特殊性:OPTIONS是HTTP预检请求,浏览器用它来检查服务器是否允许实际请求。它不需要执行实际业务逻辑,只需返回适当的CORS头。
-
中间件执行顺序:Werkzeug中间件在更底层工作,能完全控制请求处理流程,因此能更精确地拦截OPTIONS请求。
最佳实践建议
-
对于简单需求,使用Flask的
before_request钩子配合make_default_options_response()是最简洁的方案。 -
对于复杂场景或需要更精细控制的情况,考虑使用Werkzeug中间件。
-
在生产环境中,评估使用成熟的第三方库如flask-cors可能是更稳妥的选择,它们已经处理了各种边缘情况。
-
无论采用哪种方案,都要确保正确处理以下CORS头:
- Access-Control-Allow-Origin
- Access-Control-Allow-Methods
- Access-Control-Allow-Headers
- Access-Control-Allow-Credentials (如果需要)
- Access-Control-Max-Age (用于预检请求缓存)
通过理解这些原理和实现方式,开发者可以更灵活地在Flask应用中实现符合需求的CORS解决方案。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00