NSwag中实现Swagger UI请求头自动注入XSRF令牌的解决方案
2025-05-31 18:04:26作者:史锋燃Gardner
背景介绍
在ASP.NET Core Web API开发中,跨站请求伪造(CSRF/XSRF)防护是一个重要的安全考虑。许多开发者会使用Antiforgery中间件来生成和验证XSRF令牌。当通过Swagger UI测试这些受保护的API时,如何自动将XSRF令牌注入请求头成为一个常见需求。
传统Swashbuckle解决方案
在使用Swashbuckle(Swashbuckle.AspNetCore)时,开发者通常会利用UseRequestInterceptor功能来实现这一需求。该方法允许在发送请求前执行JavaScript代码,从cookie中提取XSRF令牌并添加到请求头中。典型实现如下:
(request) => {
var cv = document.cookie.split('; ')
.filter(row => row.startsWith('XSRF-TOKEN='))
.map(c => c.split('=')[1])[0];
request.headers['X-XSRF-TOKEN'] = cv;
return request;
}
NSwag中的实现挑战
当从Swashbuckle迁移到NSwag时,开发者发现NSwag没有直接等效的UseRequestInterceptor功能。虽然NSwag提供了IOperationProcessor接口,但它主要用于服务端操作处理,无法直接解决客户端请求拦截的需求。
NSwag解决方案
经过探索,发现可以通过以下方式在NSwag中实现相同的功能:
- 使用CustomHeadContent注入自定义脚本:
在Swagger UI配置中,通过
CustomHeadContent属性注入自定义JavaScript文件:
app.UseSwaggerUi(c => {
c.CustomHeadContent = @"<script src='./Scripts/AntiForgery.js' charset='UTF-8'></script>";
});
- 创建自定义JavaScript文件:
在项目中创建一个JavaScript文件(如AntiForgery.js),重写
window.fetch方法:
// 保存原始的fetch方法
const originalFetch = window.fetch;
// 重写fetch方法
window.fetch = function(input, init) {
// 从cookie中获取XSRF令牌
const xsrfToken = document.cookie.split('; ')
.find(row => row.trim().startsWith('XSRF-TOKEN='))
?.split('=')[1];
// 确保init对象存在
init = init || {};
// 设置请求头
init.headers = init.headers || {};
if (xsrfToken) {
init.headers['X-XSRF-TOKEN'] = xsrfToken;
}
// 调用原始fetch方法
return originalFetch(input, init);
};
实现原理
这种方法利用了JavaScript的原型继承特性,通过以下步骤工作:
- 保存原始的
window.fetch方法引用 - 用自定义实现覆盖
window.fetch - 在自定义实现中:
- 从cookie中提取XSRF令牌
- 确保请求配置对象存在
- 添加XSRF令牌到请求头
- 调用原始fetch方法完成请求
由于Swagger UI内部使用fetch API进行请求,这种覆盖方法能够拦截所有从Swagger UI发出的API请求,并自动添加必要的安全头。
优势与注意事项
这种解决方案有以下优势:
- 无需修改NSwag核心代码
- 保持Swagger UI的标准界面
- 灵活可配置,可以轻松添加其他全局请求处理逻辑
需要注意:
- 确保JavaScript文件路径配置正确
- 考虑浏览器兼容性(现代浏览器都支持fetch API)
- 在生产环境中确保脚本被正确压缩和缓存
结论
通过这种自定义脚本注入的方式,NSwag用户可以实现与Swashbuckle中UseRequestInterceptor类似的功能,为受XSRF保护的API提供便捷的Swagger UI测试支持。这种方法展示了NSwag的灵活性,同时也保持了解决方案的简洁性和可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
568
3.84 K
🔥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
68
20
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
12
1
暂无简介
Dart
801
199
🎉 (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
1.37 K
781
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
24
0
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
202
Ascend Extension for PyTorch
Python
379
452
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1