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。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00