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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00