Django REST Framework SimpleJWT:自定义Token负载中的用户标识字段
2025-06-15 02:04:59作者:钟日瑜
在基于Django REST Framework和SimpleJWT构建的认证系统中,开发者经常需要调整JWT令牌的负载内容以满足特定业务需求。默认情况下,SimpleJWT生成的access token会包含user_id字段作为用户标识,但某些场景下我们可能希望使用username等其他用户字段作为标识。
默认Token负载结构
SimpleJWT默认生成的access token解码后包含以下典型字段:
exp: 令牌过期时间戳iat: 令牌签发时间戳jti: 令牌唯一标识符token_type: 令牌类型(固定为"access")user_id: 用户数据库主键ID
自定义Token负载
要实现用username替代user_id,需要通过自定义令牌生成逻辑来实现。SimpleJWT提供了灵活的扩展点,主要涉及以下两个关键组件:
1. 自定义Token生成类
创建继承自rest_framework_simplejwt.serializers.TokenObtainPairSerializer的子类,重写get_token方法:
from rest_framework_simplejwt.serializers import TokenObtainPairSerializer
class CustomTokenObtainPairSerializer(TokenObtainPairSerializer):
@classmethod
def get_token(cls, user):
token = super().get_token(user)
# 删除默认的user_id字段
del token['user_id']
# 添加username字段
token['username'] = user.username
return token
2. 配置自定义序列化器
在项目的settings.py中指定自定义的序列化器:
SIMPLE_JWT = {
'TOKEN_OBTAIN_SERIALIZER': 'myapp.serializers.CustomTokenObtainPairSerializer',
}
进阶实现方案
如果需要更复杂的自定义逻辑,还可以考虑以下方案:
完全自定义payload
def get_token(cls, user):
token = super().get_token(user)
# 完全自定义payload结构
payload = {
'user_identifier': user.username,
'email': user.email,
'roles': list(user.groups.values_list('name', flat=True))
}
# 清空默认payload
for key in list(token.payload.keys()):
del token.payload[key]
# 更新自定义payload
token.payload.update(payload)
return token
注意事项
- 保持向后兼容:如果已有系统在使用user_id,建议同时保留新旧两种标识字段
- 敏感信息:避免在token中存储敏感信息,因为JWT可以被解码
- 性能考虑:username查询可能比user_id慢,特别是在没有索引的情况下
- 唯一性保证:确保作为替代标识的字段(如username)具有数据库唯一约束
最佳实践建议
- 在大多数情况下,保持使用user_id作为主要标识是更优选择
- 如果确实需要使用username,建议同时存储user_id以备后端查询使用
- 可以考虑使用复合标识方案,如:
{"uid": 123, "username": "john"}
通过这种自定义方式,开发者可以灵活地控制JWT令牌中的内容,满足各种业务场景的需求,同时保持SimpleJWT框架的其他所有优势特性。
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
Ascend Extension for PyTorch
Python
223
245
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
暂无简介
Dart
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥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
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218