Strawberry GraphQL 0.272.0版本发布:新增禁用内省查询扩展
项目简介
Strawberry是一个基于Python的GraphQL库,它提供了简洁的API来构建GraphQL服务。GraphQL是一种用于API的查询语言,允许客户端精确地请求所需的数据,避免了传统REST API中常见的数据过度获取或不足获取的问题。Strawberry通过Python类型注解和装饰器,让开发者能够以直观的方式定义GraphQL模式。
版本亮点
Strawberry 0.272.0版本引入了一个重要的新特性:DisableIntrospection扩展。这个扩展专门用于禁用GraphQL的内省查询功能。
什么是内省查询?
在GraphQL中,内省查询(Introspection Query)是一种特殊的查询,允许客户端获取GraphQL模式本身的详细信息。例如,通过内省查询,客户端可以了解:
- 可用的类型和字段
- 字段的参数和返回类型
- 类型之间的关系
- 指令和其他元信息
内省查询是GraphQL的一个重要特性,它为开发者工具(如GraphiQL)提供了必要的信息,使得开发者能够探索和理解API的结构。
为什么需要禁用内省查询?
虽然内省查询在开发环境中非常有用,但在生产环境中,出于安全考虑,可能需要禁用这一功能:
- 减少信息暴露:内省查询会暴露API的完整结构,这可能为潜在攻击者提供有价值的信息
- 性能优化:内省查询通常返回大量数据,禁用它们可以减少服务器负载
- 最小权限原则:生产环境通常只需要执行业务查询,不需要模式探索功能
新扩展的使用方式
在0.272.0版本之前,禁用内省查询需要通过AddValidationRules扩展来实现,这需要开发者编写额外的验证规则代码。新版本提供的DisableIntrospection扩展简化了这一过程:
import strawberry
from strawberry.extensions import DisableIntrospection
@strawberry.type
class Query:
@strawberry.field
def hello(self) -> str:
return "Hello, world!"
schema = strawberry.Schema(
Query,
extensions=[
DisableIntrospection(),
],
)
通过这种方式,开发者只需简单地将扩展添加到Schema配置中,即可禁用所有内省查询功能。
技术实现分析
DisableIntrospection扩展的实现基于GraphQL的验证阶段。当客户端发送查询时,Strawberry会先进行验证,检查查询是否包含内省字段(如__schema或__type)。如果检测到这些字段,扩展会返回错误响应,阻止查询执行。
这种实现方式有以下几个特点:
- 早期拦截:在查询执行前就进行拦截,避免不必要的处理
- 精确匹配:能够准确识别各种形式的内省查询
- 可配置性:未来可以扩展为允许部分内省功能或基于条件的禁用
最佳实践建议
- 开发与生产环境分离:建议在开发环境中保留内省功能,方便API探索;在生产环境中禁用
- 结合其他安全措施:禁用内省只是安全策略的一部分,还应考虑认证、授权、限流等措施
- 文档补充:禁用内省后,确保提供完整的API文档,弥补开发者无法通过内省获取信息的不足
- 渐进式部署:在大规模应用中,可以先在部分节点启用,观察影响后再全面部署
总结
Strawberry 0.272.0版本的DisableIntrospection扩展为GraphQL API的安全管理提供了更便捷的工具。这一改进体现了Strawberry项目对开发者体验和安全性的持续关注。通过简化常用功能的实现方式,Strawberry让开发者能够更专注于业务逻辑的实现,同时保持对API安全性的控制。
对于正在使用或考虑使用Strawberry构建GraphQL服务的团队,建议评估生产环境中内省查询的必要性,并根据实际情况决定是否采用这一新特性。
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