Sa-Token中如何选择性绕过权限注解的实践方案
2025-05-12 01:29:07作者:宣海椒Queenly
在实际开发中,我们经常会遇到需要部分接口绕过权限检查的需求。以Sa-Token权限框架为例,系统可能存在一些公共数据接口(如国家列表、城市列表等),这些接口虽然标注了@SaCheckPermission权限注解,但业务上要求登录用户无需特定权限即可访问。
问题背景
在标准的Sa-Token权限控制流程中,所有标注了@SaCheckPermission的接口都会进行严格的权限校验。但某些公共数据接口需要实现以下特殊逻辑:
- 登录用户可直接访问,无需特定权限
- 接口地址可动态配置(如通过Nacos)
- 配置移除后恢复标准权限校验
常规解决方案的局限性
开发者最初尝试通过自定义拦截器实现,但遇到了两难选择:
- 不添加
isAnnotation(false):无法绕过权限注解 - 添加
isAnnotation(false):导致所有注解失效
核心解决方案
Sa-Token提供了灵活的注解处理机制,我们可以通过重写SaStrategy的注解获取逻辑来实现选择性绕过:
SaStrategy.instance.getAnnotation = (element, annotationClass) -> {
if (Objects.equals(annotationClass, SaCheckPermission.class)) {
// 对于权限注解,返回null表示不处理
return null;
}
// 其他注解保持默认处理
return element.getAnnotation(annotationClass);
};
实现原理
这种方案的精妙之处在于:
- 精准拦截:只针对
SaCheckPermission注解做特殊处理 - 非侵入性:不影响其他注解的正常工作
- 动态性:可以与配置中心结合实现动态开关
完整实现建议
结合Nacos配置中心的完整实现可参考以下伪代码:
@Configuration
public class SaTokenConfig {
@Value("${public.apis}")
private List<String> publicApis;
@PostConstruct
public void customizeSaStrategy() {
SaStrategy.instance.getAnnotation = (element, annotationClass) -> {
if (Objects.equals(annotationClass, SaCheckPermission.class)) {
// 获取当前请求路径
String path = getCurrentRequestPath();
if (publicApis.contains(path)) {
return null; // 公共接口绕过权限检查
}
}
return element.getAnnotation(annotationClass);
};
}
}
注意事项
- 确保只在需要绕过的接口上使用此方案
- 考虑将公共接口统一前缀,便于管理
- 注意线程安全问题,配置变更时需要同步更新
- 生产环境建议添加日志记录绕过情况
这种方案既保持了Sa-Token原有的权限体系完整性,又提供了必要的灵活性,是处理混合权限场景的优雅解决方案。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
407
3.14 K
Ascend Extension for PyTorch
Python
226
252
暂无简介
Dart
673
160
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++
664
319
🎉 (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
1.21 K
658
React Native鸿蒙化仓库
JavaScript
262
326
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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868