Django REST Framework中DjangoModelPermissionsOrAnonReadOnly权限类的行为变更分析
在Django REST Framework 3.15版本中,开发团队对权限系统进行了一些调整,其中DjangoModelPermissionsOrAnonReadOnly权限类的行为变化引起了开发者社区的关注。这个权限类原本设计用于允许匿名用户进行只读访问,同时要求认证用户拥有完整的模型权限。然而,在3.15版本中,它的行为发生了微妙但重要的变化。
权限类的工作原理
DjangoModelPermissionsOrAnonReadOnly是DRF提供的一个内置权限类,它继承自DjangoModelPermissions。在3.14及之前的版本中,这个类的工作逻辑是:
- 对于匿名用户,允许GET和HEAD等安全方法(只读访问)
- 对于认证用户,要求拥有模型对应的add、change和delete权限
但在3.15版本中,由于继承了DjangoModelPermissions的变更,它开始检查模型上的"view"权限。这意味着:
- 即使对于匿名用户的只读请求,系统也会检查模型是否有"view"权限
- 如果模型没有定义"view"权限,匿名用户将无法进行只读访问
行为变更的技术细节
这一变更源于DRF对Django新增的"view"权限的支持。Django在2.1版本中引入了模型的"view"权限,但DRF的权限系统早于此功能存在。在3.15版本中,DRF团队决定让DjangoModelPermissions检查"view"权限,以更好地与Django的权限系统集成。
然而,这一变更无意中影响了DjangoModelPermissionsOrAnonReadOnly的行为。由于它继承自DjangoModelPermissions,因此也继承了"view"权限检查的逻辑,这与它原本设计的"允许匿名只读访问"的初衷产生了冲突。
解决方案与最佳实践
对于需要保持3.14版本行为的项目,可以考虑以下解决方案:
-
自定义权限类:创建一个新的权限类,组合使用
DjangoModelPermissions和AllowAny或IsAuthenticatedOrReadOnly -
调整权限映射:通过覆盖
perms_map属性,明确指定GET和HEAD方法不需要任何权限 -
等待官方修复:DRF团队可能会在3.15.1版本中恢复原有行为
从长远来看,开发者应该评估是否真的需要允许匿名只读访问。如果项目确实需要这种模式,建议明确设计权限策略,而不是依赖可能变化的默认行为。
总结
权限系统是API安全的重要组成部分。DRF 3.15中对权限检查的加强虽然出于好意,但也提醒我们在升级框架版本时需要仔细测试权限相关的功能。特别是对于生产环境中的API,权限变更可能导致意外的访问控制问题,值得开发者特别关注。
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