TSED框架中隐藏Swagger文档中的查询参数
2025-06-27 17:45:32作者:劳婵绚Shirley
在TSED框架开发过程中,开发者有时需要隐藏某些API参数不在Swagger文档中显示,特别是对于敏感信息或内部使用的参数。本文将深入探讨如何在TSED中实现这一需求。
问题背景
在TSED框架中,开发者经常使用@Hidden装饰器来隐藏控制器类或方法,使其不出现在Swagger文档中。然而,当尝试将此装饰器应用于查询参数或模型属性时,发现它并不能按预期工作,参数仍然会显示在生成的OpenAPI文档中。
现有解决方案分析
TSED框架目前提供了@Groups装饰器作为替代方案,它主要用于控制属性的序列化和文档生成。使用方式如下:
class FileUploadParameters {
@Optional()
@Groups("!summary") // 使用"!"前缀表示排除
public secret_token?: string;
}
@Controller("/example")
class ExampleController {
public async addEntry(
@QueryParams() @Groups("summary")
params: FileUploadParameters
): Promise<unknown> {
// 控制器逻辑
}
}
这种方法的局限性在于:
@Groups不仅影响文档生成,还会影响JSON序列化/反序列化过程- 被排除的属性在请求处理中也会被忽略,可能不符合业务需求
技术实现原理
TSED框架的文档生成和数据处理共享同一套模型定义系统。这种设计虽然保证了数据一致性,但也限制了单独控制文档显示的能力。@Hidden装饰器原本设计仅用于控制器和方法级别,不适用于属性级别。
最佳实践建议
针对不同场景,推荐以下解决方案:
-
敏感认证信息:应使用HTTP头部(Header)而非查询参数传递
@UseBefore(MyAuthMiddleware) public async secureEndpoint( @HeaderParams("Authorization") token: string ): Promise<unknown> { // 认证逻辑 } -
内部追踪参数:可考虑使用自定义装饰器扩展功能
// 自定义装饰器实现 export function Internal() { return applyDecorators( Optional(), Description("内部使用参数"), // 其他需要的装饰器 ); } -
临时解决方案:通过文档描述注明参数用途
@Property() @Description("内部使用,请勿在文档中公开") public tracking_id?: string;
框架设计思考
从框架设计角度看,理想的解决方案应该:
- 保持数据模型定义的单一真实性
- 允许灵活控制文档生成行为
- 不影响实际业务数据处理
未来TSED可能会扩展@Hidden功能或引入专门的文档控制装饰器,以更好地满足这类需求。
总结
在现有TSED版本中,完全隐藏查询参数同时保持其功能完整存在一定挑战。开发者应根据具体业务场景选择合适方案,优先考虑将敏感信息移至HTTP头部,或使用明确的文档说明来管理参数可见性。理解框架设计哲学有助于找到最合适的实现方式。
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
879