SpringDoc OpenAPI 2.4.0版本中Sort字段类型变更解析
在Spring生态系统中,SpringDoc OpenAPI是一个广泛使用的库,用于自动生成API文档。最近从2.3.0升级到2.4.0版本后,开发者们发现了一个值得注意的变化:Page接口中的sort字段在生成的OpenAPI文档中从对象类型变成了数组类型。
问题背景
Spring Data JPA中的Page接口是用于分页查询结果的常用接口,它包含了分页相关的各种元数据信息,如当前页码、每页大小、总页数等。其中sort字段用于表示排序信息。
在SpringDoc OpenAPI 2.3.0版本中,sort字段被生成为一个SortObject类型的对象。但在2.4.0版本中,同样的字段被生成为一个SortObject类型的数组。
技术分析
这种变化实际上是对Spring Data分页功能更准确的反映。虽然Page接口的getSort()方法返回的是单个Sort对象,但Sort对象本身可以包含多个排序条件(Order)。在Spring Data中,开发者可以通过Sort.by()方法传入多个排序字段,这正是sort字段应该被表示为数组的根本原因。
例如,在业务代码中我们经常会看到这样的排序用法:
Sort sort = Sort.by("name").ascending().and(Sort.by("age").descending());
这种情况下,单个Sort对象实际上包含了两个排序条件:按姓名升序和按年龄降序。因此,在API文档中将sort表示为数组能更准确地反映其实际数据结构。
影响范围
这一变化主要影响以下场景:
- 使用Page作为返回类型的控制器方法
- 依赖自动生成的OpenAPI文档的前端代码
- 基于OpenAPI文档生成的客户端代码
解决方案
对于已经升级到2.4.0版本的用户,如果前端代码依赖于之前的文档结构,可以考虑以下解决方案:
- 保持前端代码不变,通过自定义OpenAPI配置将sort字段恢复为对象类型
- 更新前端代码,正确处理sort字段的数组形式
- 在DTO层进行转换,避免直接暴露Page接口
最佳实践
考虑到Spring Data的设计理念和实际使用场景,建议开发者接受这一变更,因为:
- 它更准确地反映了Sort对象的实际能力
- 符合REST API设计原则中的"准确表达"原则
- 为多字段排序提供了更好的文档支持
- 保持了与Spring Data功能的一致性
总结
SpringDoc OpenAPI 2.4.0中对sort字段类型的变更是一个积极的改进,它使生成的API文档更准确地反映了底层框架的实际行为。开发者在升级后应当检查相关的前端代码,确保它们能够正确处理sort字段的数组形式。这一变化虽然可能带来一些适配工作,但从长远来看,它能提供更准确的API文档和更好的开发体验。
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