Spring Cloud Gateway中AdaptCachedBodyGlobalFilter缓存请求体的正确使用方式
背景介绍
Spring Cloud Gateway作为微服务架构中的API网关,提供了强大的路由转发和过滤器功能。其中,AdaptCachedBodyGlobalFilter是一个用于缓存请求体的全局过滤器,在处理POST请求时特别有用。然而,许多开发者在实际使用过程中会遇到缓存不生效的问题。
问题现象
开发者在配置AdaptCachedBodyGlobalFilter时,按照常规思路通过发布EnableBodyCachingEvent事件来启用特定路由的请求体缓存功能,但发现过滤器并未按预期工作。经过调试发现,只有当在路由ID前添加"ReactiveCompositeDiscoveryClient_"前缀时,缓存功能才能正常生效。
原因分析
深入分析AdaptCachedBodyGlobalFilter的源码实现,我们可以发现关键点:
- 过滤器会从exchange中获取GATEWAY_ROUTE_ATTR属性,这个属性的ID格式为"ReactiveCompositeDiscoveryClient_"+原始路由ID
- 过滤器内部维护了一个routesToCache的Map结构,用于存储需要缓存请求体的路由配置
- 当检查路由是否需要缓存时,使用的是经过处理后的完整路由ID
这种设计是因为Spring Cloud Gateway在内部处理服务发现时,会自动为路由ID添加前缀以区分不同的路由来源。对于通过服务发现机制(lb://)配置的路由,网关会自动添加"ReactiveCompositeDiscoveryClient_"前缀。
解决方案
基于上述分析,正确的使用方式有以下几种:
方案一:手动添加前缀
在发布EnableBodyCachingEvent事件时,手动为路由ID添加前缀:
@PostConstruct
public void init() {
gatewayProperties.getRoutes().forEach(routeDefinition -> {
String routeId = "ReactiveCompositeDiscoveryClient_" + routeDefinition.getId();
EnableBodyCachingEvent event = new EnableBodyCachingEvent(this, routeId);
publisher.publishEvent(event);
});
}
方案二:使用RouteLocator获取完整路由ID
通过RouteLocator获取实际生效的路由信息,确保使用正确的路由ID:
@Autowired
private RouteLocator routeLocator;
@PostConstruct
public void init() {
routeLocator.getRoutes()
.subscribe(route -> {
EnableBodyCachingEvent event = new EnableBodyCachingEvent(this, route.getId());
publisher.publishEvent(event);
});
}
方案三:配置全局缓存
如果需要为所有路由启用请求体缓存,可以直接配置:
@Bean
public AdaptCachedBodyGlobalFilter adaptCachedBodyGlobalFilter() {
return new AdaptCachedBodyGlobalFilter(true);
}
最佳实践建议
- 对于服务发现类型的路由(lb://),建议使用方案二获取完整路由ID
- 如果确定所有路由都需要缓存请求体,使用方案三最为简单直接
- 在调试时,可以通过打印exchange中的GATEWAY_ROUTE_ATTR属性来确认实际路由ID格式
- 注意缓存请求体会增加内存消耗,应根据实际业务需求合理配置
总结
Spring Cloud Gateway的AdaptCachedBodyGlobalFilter是一个强大的请求体缓存工具,但使用时需要注意内部路由ID的处理机制。理解网关内部的路由处理流程,可以帮助开发者更准确地配置和使用各种过滤器功能。通过本文的分析和解决方案,开发者可以避免常见的配置陷阱,充分发挥网关的性能优势。
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GLM-V
GLM-4.5V and GLM-4.1V-Thinking: Towards Versatile Multimodal Reasoning with Scalable Reinforcement LearningPython00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0105AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile010
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









