在Salvo框架中实现多端口监听与路由隔离
2025-06-19 18:39:15作者:郦嵘贵Just
Salvo作为一款现代化的Rust Web框架,提供了灵活的多端口监听能力,使开发者能够轻松实现不同端口服务于不同路由场景的需求。本文将详细介绍如何在Salvo中配置多个监听端口,并为每个端口分配独立的路由规则。
多端口监听的核心机制
Salvo通过Listener接口实现了多端口监听功能。每个Listener实例可以绑定到特定端口,并关联独立的路由器(Router)。这种设计允许开发者:
- 为不同业务场景创建隔离的访问入口
- 实现API接口和管理后台的物理隔离
- 为不同客户端提供专属服务端口
典型应用场景
在实际项目中,多端口监听常用于以下场景:
- 分离普通用户API和管理员后台
- 为移动端和Web端提供不同端口服务
- 实现内部调试接口与生产接口的隔离
- 为不同协议(HTTP/HTTPS)提供独立入口
实现方式详解
Salvo提供了两种主要方式来实现多端口监听:
方法一:使用Listener的join方法
join方法允许将多个监听器合并为一个任务,统一管理。这种方式的优势在于代码结构清晰,便于统一错误处理。
use salvo::prelude::*;
#[tokio::main]
async fn main() {
// 创建API路由
let api_router = Router::new().path("api").get(api_handler);
// 创建管理后台路由
let admin_router = Router::new().path("admin").get(admin_handler);
// 创建两个监听器
let api_listener = TcpListener::new("0.0.0.0:8080").bind().await;
let admin_listener = TcpListener::new("0.0.0.0:8091").bind().await;
// 使用join合并监听器
let server = Server::new(api_listener.join(admin_listener));
// 启动服务
server.serve(api_router.join(admin_router)).await;
}
方法二:使用tokio::spawn独立运行
这种方式更为灵活,每个监听器在独立的任务中运行,适合需要更细粒度控制的场景。
use salvo::prelude::*;
use tokio::task::JoinHandle;
#[tokio::main]
async fn main() {
// 创建并启动API服务
let api_handle: JoinHandle<()> = tokio::spawn(async {
let router = Router::new().path("api").get(api_handler);
let listener = TcpListener::new("0.0.0.0:8080").bind().await;
Server::new(listener).serve(router).await;
});
// 创建并启动管理后台服务
let admin_handle: JoinHandle<()> = tokio::spawn(async {
let router = Router::new().path("admin").get(admin_handler);
let listener = TcpListener::new("0.0.0.0:8091").bind().await;
Server::new(listener).serve(router).await;
});
// 等待两个服务完成
let _ = tokio::join!(api_handle, admin_handle);
}
最佳实践建议
- 端口规划:为不同业务保留明确的端口范围,如8000-8099用于API,9000-9099用于管理后台
- 路由隔离:即使端口不同,也建议为不同端口的路由添加统一前缀
- 中间件差异:可以为不同端口的服务配置不同的中间件栈
- 监控分离:对不同的监听端口实施独立的性能监控和日志收集
性能考量
Salvo的多端口监听实现基于Tokio的异步IO,多个监听器共享同一个运行时,不会造成额外的线程开销。但在极高并发场景下,仍需注意:
- 避免创建过多监听器(一般不超过CPU核心数)
- 为不同监听器配置适合的并发参数
- 监控各端口的连接数和请求处理延迟
通过合理利用Salvo的多端口监听功能,开发者可以构建出更加安全、灵活且易于维护的Web服务架构。
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
402
3.12 K
Ascend Extension for PyTorch
Python
224
249
暂无简介
Dart
672
159
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++
663
315
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
219