Pact-JS中JSON API内容类型请求的注意事项
在Pact-JS测试框架中,当使用JSON API规范的内容类型(application/vnd.api+json)时,开发者可能会遇到请求体在消费者测试和提供者测试之间不一致的问题。本文将深入分析这一现象的原因,并提供解决方案。
问题现象
在消费者测试中,开发者可能会这样定义请求:
.withRequest('POST', '/api/test', (builder) => {
builder.headers({
'Content-Type': 'application/vnd.api+json',
});
builder.jsonBody({ data: { attributes: { name: 'name' } } });
})
期望在提供者测试中接收到的请求体是:
{ "data": { "attributes": { "name": "name" } } }
但实际上,提供者接收到的请求体却变成了:
{"body":{"type":"Buffer","data":[123,34,100,97,116,97,34,58,123,34,97,116,116,114,105,98,117,116,101,115,34,58,123,34,110,97,109,101,34,58,34,110,97,109,101,34,125,125,125]}
根本原因
这个问题实际上源于Express.js框架对内容类型的默认处理方式。Express的body-parser中间件默认不会自动处理application/vnd.api+json类型的内容,而是将其视为二进制数据。
解决方案
要解决这个问题,需要在Express服务器中显式配置body-parser来处理JSON API的内容类型:
server.use(express.json({
type: [
'application/vnd.api+json', // 明确添加JSON API内容类型
],
}));
技术背景
JSON API规范(application/vnd.api+json)是一种特定的JSON内容类型,用于构建RESTful API。虽然它基于JSON,但由于其特殊的媒体类型标识,许多框架不会自动将其视为标准JSON来处理。
Express.js的body-parser中间件默认只处理以下内容类型:
- application/json
- application/x-www-form-urlencoded
对于其他JSON变体,如application/vnd.api+json,需要显式声明才能正确解析。
最佳实践
-
明确声明内容类型:在使用非标准JSON内容类型时,始终在服务器端明确声明支持的类型。
-
测试验证:在契约测试中,验证请求和响应的内容类型是否一致。
-
文档记录:在API文档中明确说明支持的内容类型,避免消费者混淆。
-
考虑兼容性:如果可能,同时支持标准application/json和专用内容类型,提高API的兼容性。
总结
Pact-JS本身能够正确处理JSON API内容类型的请求,但最终请求体的处理取决于服务端框架的配置。通过正确配置Express的body-parser中间件,可以确保JSON API规范的请求体在契约测试的双方保持一致。这提醒我们在进行契约测试时,不仅要关注测试框架的配置,还要注意服务端框架对请求处理的细节。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00