SpringDoc OpenAPI中Kotlin多行字符串缩进问题的解决方案
在Kotlin开发中,我们经常需要在注解中使用多行字符串来描述API文档。SpringDoc OpenAPI作为一个流行的API文档生成工具,能够自动从代码中的注解生成OpenAPI规范文档。然而,当我们在Kotlin中使用多行字符串时,会遇到一个常见的缩进问题。
问题背景
Kotlin的多行字符串(使用三重引号"""包裹)会保留源代码中的缩进格式。这在注解中使用时会导致生成的OpenAPI文档中出现不必要的缩进空格。例如:
@Schema(description = """
这是一个用户模型
包含用户的基本信息
""")
上述代码生成的文档描述会保留每行前面的缩进空格,这显然不是我们想要的效果。
解决方案演进
最初,开发者可以通过实现GlobalOpenApiCustomizer接口来自定义处理这些缩进问题。这种方法虽然有效,但需要每个项目都重复实现类似的逻辑。考虑到这是一个普遍存在的问题,社区决定将其内置到SpringDoc OpenAPI的核心功能中。
最新的改进将trim-kotlin-indent功能扩展到了@Schema注解,这意味着现在可以自动处理以下场景:
@Schema注解中的description属性@Schema注解中的example属性- 嵌套的schema属性
- 数组schema中的项目描述
实现原理
该功能的实现主要基于Kotlin的trimIndent()方法,它会自动移除字符串中所有行共有的最小缩进。在SpringDoc OpenAPI内部,这个处理被集成到了注解处理器中,在生成OpenAPI规范前自动应用。
对于开发者来说,现在可以这样编写代码:
@Schema(
description = """
|这是一个用户模型
|包含用户的基本信息
""".trimMargin()
)
或者直接依赖SpringDoc的自动处理功能:
@Schema(
description = """
这是一个用户模型
包含用户的基本信息
"""
)
最佳实践
- 对于简单的单行描述,可以直接使用普通字符串
- 对于复杂的多行描述,使用三重引号的多行字符串
- 保持一致的缩进风格,便于阅读和维护
- 考虑在团队中统一约定是否显式使用
trimIndent()方法
总结
SpringDoc OpenAPI对Kotlin多行字符串缩进问题的持续改进,显著提升了开发体验。这一变化使得Kotlin开发者能够更自然地编写API文档注解,而无需担心格式问题。随着这一功能的不断完善,我们可以期待更简洁、更一致的API文档生成体验。
对于已经使用自定义GlobalOpenApiCustomizer的项目,可以考虑评估是否迁移到内置功能,以简化代码维护。同时,这一改进也为未来可能的其他Kotlin特定优化奠定了基础。
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