Strawberry GraphQL 中自定义 Info 类的正确配置方式
2025-06-14 01:19:36作者:凌朦慧Richard
在 GraphQL 开发中,Strawberry 是一个强大的 Python 库,它提供了灵活的方式来定制 GraphQL 查询的执行上下文。本文将详细介绍如何正确地在 Strawberry GraphQL 中配置自定义的 Info 类。
Info 类的作用
在 Strawberry GraphQL 中,Info 类是一个重要的组件,它包含了当前 GraphQL 查询执行的上下文信息。开发者可以通过继承 Info 类来扩展其功能,添加自定义属性和方法,以满足特定的业务需求。
常见错误配置
许多开发者会尝试直接将自定义的 Info 类传递给 strawberry.Schema 的构造函数,如下所示:
schema = strawberry.Schema(query=Query, info_class=CustomInfo)
这种配置方式在旧版本的 Strawberry 中可能有效,但在当前版本中已经不再适用。这种错误的配置会导致运行时错误,因为 Strawberry 的 API 已经发生了变化。
正确的配置方法
正确的做法是通过 StrawberryConfig 来配置自定义的 Info 类。StrawberryConfig 是 Strawberry 提供的配置容器,专门用于集中管理各种 Schema 级别的配置选项。
schema = strawberry.Schema(
query=Query,
config=StrawberryConfig(info_class=CustomInfo)
)
自定义 Info 类的实现示例
下面是一个完整的自定义 Info 类实现示例,展示了如何扩展 Info 类以访问 HTTP 响应头:
from strawberry.types import Info
from strawberry import StrawberryConfig
from somewhere import Headers # 根据实际项目导入 Headers 类型
class CustomInfo(Info):
@property
def response_headers(self) -> Headers:
"""获取当前 HTTP 响应的头部信息"""
return self.context["response"].headers
# 创建 Schema 时使用自定义的 Info 类
schema = strawberry.Schema(
query=Query,
config=StrawberryConfig(info_class=CustomInfo)
)
为什么需要这种配置方式
这种通过 StrawberryConfig 的配置方式有以下几个优点:
- 一致性:所有 Schema 配置都通过统一的接口管理
- 可扩展性:未来添加新的配置选项不会破坏现有代码
- 明确性:清晰地表明了配置的意图和范围
实际应用场景
自定义 Info 类在以下场景中特别有用:
- 需要在解析器中访问特定的上下文信息
- 想要为解析器提供便捷的辅助方法
- 需要统一处理某些上下文数据的访问逻辑
总结
在 Strawberry GraphQL 中正确配置自定义 Info 类需要注意使用 StrawberryConfig 作为配置容器。这种方式不仅符合当前版本的 API 设计,也为未来的扩展提供了良好的基础。开发者应该避免直接传递 info_class 参数给 Schema 构造函数,而是采用推荐的配置方式。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137