Kiota项目中OData $expand参数的多重查询问题解析
在Kiota项目(微软开源的API客户端生成工具)中,开发者在使用OData API时遇到了一个关于$expand参数的有趣问题。本文将深入分析这个问题及其解决方案。
问题现象
当开发者尝试通过Kiota生成的客户端调用OData API时,如果传递多个$expand参数,生成的URL会出现异常行为。例如,当指定两个扩展参数"FirstExpand"和"SecondExpand"时,生成的URL会变成:
$expand=FirstExpand&$expand=SecondExpand
而根据OData 2.0规范,正确的格式应该是:
$expand=FirstExpand,SecondExpand
技术背景
OData(开放数据协议)是一种用于构建和使用RESTful API的协议。$expand是OData中的一个重要查询选项,用于指定需要扩展加载的相关实体。在OData 2.0规范中明确指出,多个扩展项应该使用逗号分隔,而不是重复的查询参数。
问题根源
通过分析Kiota源代码发现,这个问题源于OpenAPI URL树节点扩展中的"explode"行为。当处理数组类型的查询参数时,Kiota默认会将数组元素展开为多个同名查询参数,而不是将它们合并为一个逗号分隔的列表。
解决方案探索
开发者尝试了以下解决方法:
-
直接修改生成的BaseRequestBuilder代码,将"?%24expand*"改为"?%24expand",这种方法虽然能解决问题,但不是理想的长期方案。
-
更新Kiota到最新版本(1.24.3),但问题依然存在。
-
检查OpenAPI描述文件中$expand参数的定义,确认其schema类型为数组,包含enum枚举值。
最佳实践建议
针对这个问题,我们建议:
-
在OpenAPI描述文件中,确保$expand参数的schema定义不包含enum枚举值,这可能会影响参数的处理方式。
-
检查并明确设置explode属性为false,确保数组参数不会被展开为多个查询参数。
-
考虑在Kiota生成客户端时添加特定的OData参数处理逻辑,特别是对于select等标准OData查询选项。
总结
这个问题展示了在使用代码生成工具处理特定协议(如OData)时的常见挑战。理解底层协议规范与代码生成工具行为之间的关系至关重要。对于Kiota用户来说,了解如何正确配置OpenAPI描述文件以生成符合OData规范的客户端代码是一个有价值的知识点。
虽然目前可以通过手动修改生成的代码来解决问题,但更健壮的解决方案应该是在Kiota中增加对OData特殊查询参数的特殊处理逻辑,或者在OpenAPI描述文件中进行更精确的定义。
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