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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-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