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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00