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。
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