Paicoding项目前后端分离部署中的跨域问题解决方案
前言
在前后端分离架构的Web应用开发中,跨域问题是一个常见的技术挑战。本文将以Paicoding论坛项目为例,深入分析前后端分离部署时遇到的跨域问题及其解决方案。
问题现象
在Paicoding项目的springboot3&vue3分支中,当后端服务独立部署时,前端访问会报错。具体表现为:
- 前端控制台显示跨域错误
- 浏览器开发者工具中可以看到请求被CORS策略拦截
- 后端日志显示请求已到达但被浏览器拒绝
技术背景
跨域问题源于浏览器的同源策略(Same-Origin Policy),这是现代浏览器的一项基本安全功能。它限制了一个源的文档或脚本如何与另一个源的资源进行交互。
同源策略要求以下三个必须相同:
- 协议(http/https)
- 域名
- 端口号
在Paicoding项目的前后端分离架构中,前端通常运行在开发服务器(如Vite的5173端口),而后端API服务运行在8081端口,这自然就违反了同源策略。
解决方案
1. 后端CORS配置调整
在Paicoding项目中,跨域配置位于CrossUtil.java工具类中。原始实现动态获取请求来源(origin)并设置为允许的源:
response.setHeader("Access-Control-Allow-Origin", origin);
这种实现方式在前后端同域部署时工作良好,但在分离部署时会失效。解决方案是明确指定允许的前端地址:
response.setHeader("Access-Control-Allow-Origin", "http://localhost:5173");
2. 生产环境建议方案
上述硬编码方案仅适用于开发环境。在生产环境中,建议采用以下更灵活的方案:
- 配置文件读取:将允许的源地址配置在application.properties中
- 多环境支持:根据不同的环境(dev/test/prod)加载不同的CORS配置
- 白名单机制:维护一个允许访问的域名白名单
3. 前端代理方案
另一种常见解决方案是在前端开发服务器中配置代理。以Vite为例,可以在vite.config.js中添加:
server: {
proxy: {
'/api': {
target: 'http://backend-server:8081',
changeOrigin: true,
rewrite: path => path.replace(/^\/api/, '')
}
}
}
这样所有以/api开头的请求都会被代理到后端服务器,避免了浏览器的跨域限制。
项目结构说明
Paicoding项目的前后端分离版本结构如下:
- 后端:基于Spring Boot 3的RESTful API服务
- 前端:Vue 3项目,位于
pai-coding-front目录下
需要注意的是,项目中有两个前端代码库:
- 主项目中的
pai-coding-front目录 - 独立的前端仓库(已过时)
开发时应使用主项目中的前端代码,因为独立仓库可能未同步最新API变更。
验证方法
验证后端服务是否正常工作的几种方式:
- 直接访问API端点,如文章详情接口:
/article/api/data/detail/1 - 检查Swagger文档(如果配置了的话)
- 查看启动日志中的API映射信息
总结
前后端分离架构虽然带来了开发效率的提升,但也引入了跨域等新的技术挑战。Paicoding项目的实践表明,合理的CORS配置是解决问题的关键。开发者应根据实际部署环境选择合适的解决方案:
- 开发环境:固定origin或前端代理
- 生产环境:动态白名单或反向代理
理解这些技术细节有助于开发者更好地构建和维护现代化的Web应用程序。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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