SpringDoc OpenAPI 与 WebMvcConfigurationSupport 配置冲突解决方案
在使用 SpringDoc OpenAPI 时,很多开发者会遇到一个常见问题:当自定义 WebMvcConfigurationSupport 配置后,Swagger UI 界面无法正常显示 API 分组信息。这个问题源于 Spring MVC 配置的覆盖机制,需要开发者特别注意。
问题现象
当项目中存在继承自 WebMvcConfigurationSupport 的自定义配置类时,SpringDoc OpenAPI 的默认配置会被覆盖,导致以下异常现象:
- Swagger UI 界面可以访问,但 API 分组信息丢失
- API 文档端点返回空数据
- 静态资源路径可能无法正确映射
问题根源分析
Spring MVC 的配置机制决定了 WebMvcConfigurationSupport 是一个"全有或全无"的配置方式。当开发者继承这个类时,Spring Boot 的自动配置会失效,包括 SpringDoc OpenAPI 的自动配置。
具体来说,问题出在以下几个方面:
- 资源处理器覆盖:SpringDoc 需要注册特定的资源处理器来提供 Swagger UI 静态资源
- 消息转换器覆盖:API 文档的生成依赖于特定的消息转换器配置
- 视图解析器配置:Swagger UI 页面渲染需要正确的视图解析器
解决方案
正确的做法是在自定义 WebMvcConfigurationSupport 中显式地保留 SpringDoc 的配置。以下是完整的解决方案:
@Configuration
@RequiredArgsConstructor
public class DefaultWebMvcConfig extends WebMvcConfigurationSupport {
private final SwaggerWebMvcConfigurer swaggerWebMvcConfigurer;
@Override
protected void configureViewResolvers(ViewResolverRegistry registry) {
registry.viewResolver(new InternalResourceViewResolver());
super.configureViewResolvers(registry);
}
@Override
public void addResourceHandlers(ResourceHandlerRegistry registry) {
// 自定义静态资源映射
registry.addResourceHandler("/swagger-ui/**")
.addResourceLocations("classpath:/META-INF/resources/webjars/swagger-ui/5.10.3/");
// 保留SpringDoc的资源处理器
swaggerWebMvcConfigurer.addResourceHandlers(registry);
}
@Override
public void configureMessageConverters(List<HttpMessageConverter<?>> converters) {
// 自定义FastJSON配置
FastJsonHttpMessageConverter fastConverter = new FastJsonHttpMessageConverter();
FastJsonConfig fastJsonConfig = new FastJsonConfig();
fastJsonConfig.setSerializerFeatures(
SerializerFeature.DisableCircularReferenceDetect,
SerializerFeature.PrettyFormat,
SerializerFeature.WriteMapNullValue,
SerializerFeature.WriteNullListAsEmpty,
SerializerFeature.BrowserCompatible
);
SerializeConfig serializeConfig = SerializeConfig.globalInstance;
serializeConfig.put(Long.class, ToStringSerializer.instance);
serializeConfig.put(Long.TYPE, ToStringSerializer.instance);
serializeConfig.put(BigInteger.class, ToStringSerializer.instance);
serializeConfig.put(BigDecimal.class, ToStringSerializer.instance);
fastJsonConfig.setSerializeConfig(serializeConfig);
List<MediaType> fastMediaTypes = Collections.singletonList(
new MediaType("application", "json", StandardCharsets.UTF_8)
);
fastConverter.setSupportedMediaTypes(fastMediaTypes);
fastConverter.setFastJsonConfig(fastJsonConfig);
converters.add(new ByteArrayHttpMessageConverter());
converters.add(fastConverter);
// 保留SpringDoc的消息转换器配置
swaggerWebMvcConfigurer.configureMessageConverters(converters);
}
}
关键点解析
-
SwaggerWebMvcConfigurer 注入:通过构造函数注入 SpringDoc 提供的配置器,确保能够保留必要的配置
-
资源处理器合并:在自定义资源处理器后,调用 swaggerWebMvcConfigurer.addResourceHandlers 方法添加 SpringDoc 所需的资源映射
-
消息转换器合并:在配置完自定义的消息转换器后,调用 swaggerWebMvcConfigurer.configureMessageConverters 方法保留文档生成所需的转换器
-
视图解析器配置:显式配置 InternalResourceViewResolver 确保视图能够正确解析
最佳实践建议
- 尽量避免完全覆盖 WebMvcConfigurationSupport,优先考虑实现 WebMvcConfigurer 接口
- 如果必须使用 WebMvcConfigurationSupport,确保保留框架必要的配置
- 对于 JSON 序列化,考虑使用 Jackson 而不是 FastJSON,因为 Spring 生态对 Jackson 有更好的支持
- 在升级 SpringDoc 版本时,注意检查资源路径是否发生变化
通过这种方式,开发者可以在保留自定义 MVC 配置的同时,确保 SpringDoc OpenAPI 能够正常工作,API 文档分组信息也能正确显示。
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