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。
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