Umami 项目中的 CORS 头部缺失问题分析与解决方案
问题背景
在 Umami 2.16.1 版本中,当用户设置自定义收集端点(COLLECT_API_ENDPOINT)时,出现了跨域资源共享(CORS)头部缺失的问题。这个问题导致网站访问数据无法被正确收集,因为浏览器会阻止跨域请求。
问题原因分析
经过深入调查,发现问题的根源在于 Umami 的 CORS 头部设置机制:
-
默认配置限制:Umami 默认只在
/api/*路径下设置 CORS 头部,当用户设置的自定义收集端点不在/api/路径下时,这些必要的头部信息就不会被包含在响应中。 -
Docker 部署的特殊性:在 Docker 环境中,问题表现略有不同。Docker 版本使用了一个中间件(middleware.js)来处理请求,这个中间件使用了
NextResponse.rewrite(url)方法,但该方法不会自动转发响应头部,导致 CORS 头部丢失。
解决方案
针对这个问题,社区提出了以下解决方案:
-
代码修复:通过修改代码,使 CORS 头部能够被设置在任何自定义收集端点上,而不仅限于
/api/路径。这个修复已经被合并到主分支中。 -
临时解决方案:
- 对于非 Docker 部署,可以暂时将收集端点设置为
/api/路径下的地址 - 对于 Docker 部署,可以通过反向代理(如 Nginx)手动添加 CORS 头部
- 使用 CDN 服务商的转换规则添加必要的 CORS 头部
- 对于非 Docker 部署,可以暂时将收集端点设置为
技术细节
在修复后的版本中,一个正常的 OPTIONS 请求响应应该包含以下头部:
Access-Control-Allow-Origin: *
Access-Control-Allow-Headers: *
Access-Control-Allow-Methods: GET, DELETE, POST, PUT
Access-Control-Max-Age: 86400
这些头部确保了浏览器能够正确执行跨域请求,允许从任何来源(*)发送请求,支持多种 HTTP 方法,并设置了头部缓存时间。
版本兼容性
这个问题在 2.16.1 版本中被发现,并在后续版本中得到了修复。用户可以通过升级到最新版本来解决这个问题。对于无法立即升级的用户,可以采用上述临时解决方案。
总结
CORS 问题在现代 web 应用中很常见,特别是在涉及跨域数据收集的场景中。Umami 项目通过社区贡献解决了这个特定问题,展示了开源协作的优势。对于使用自定义收集端点的用户,建议升级到包含修复的版本,或者根据部署环境选择合适的临时解决方案。
理解这类问题的本质有助于开发人员更好地调试和解决类似的前后端交互问题,特别是在涉及跨域请求的复杂场景中。
kernelopenEuler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。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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