Django REST Framework JWT 教程
项目介绍
Django REST Framework JWT(JSON Web Tokens)是由 jpadilla 开发的一个开源项目,旨在为 Django REST Framework 提供JWT身份验证支持。JWT是一种开放标准(RFC 7519),用于在双方之间安全地传输信息作为JSON对象。这个库使得在基于Django构建的API中实现无状态的、可选的会话认证变得更加简单高效。
项目快速启动
要快速开始使用Django REST Framework JWT,首先确保你的环境已经准备了Django和Django REST Framework。以下是安装及配置步骤:
安装
在你的Django项目环境中执行以下命令来安装django-rest-framework-jwt:
pip install djangorestframework-jwt
配置
接着,在Django设置文件settings.py中添加该库到INSTALLED_APPS列表:
INSTALLED_APPS = [
# ...
'rest_framework',
'rest_framework_jwt',
# ...
]
配置JWT认证,默认配置可以满足基本需求,但你可以根据实际需求调整:
REST_FRAMEWORK = {
'DEFAULT_AUTHENTICATION_CLASSES': (
'rest_framework_jwt.authentication.JSONWebTokenAuthentication',
),
}
使用示例
创建一个视图以支持JWT登录。假设你有一个User模型,下面是如何创建一个简单的登录接口:
from rest_framework.views import APIView
from rest_framework.response import Response
from rest_framework.status import HTTP_200_OK, HTTP_400_BAD_REQUEST
from django.contrib.auth import authenticate
from rest_framework_jwt.utils import jwt_encode_handler, jwt_payload_handler
class ObtainAuthToken(APIView):
def post(self, request, format=None):
email = request.data.get('email')
password = request.data.get('password')
user = authenticate(email=email, password=password)
if user:
payload = jwt_payload_handler(user)
token = jwt_encode_handler(payload)
return Response({'token': token}, status=HTTP_200_OK)
else:
return Response({'error': 'Invalid credentials'}, status=HTTP_400_BAD_REQUEST)
在URL配置中添加上述视图的路由。
应用案例和最佳实践
- 权限控制:结合Django的权限系统或自定义权限类,确保只有有权用户可以访问特定资源。
- 刷新令牌(Refresh Tokens):为了长期保持用户登录状态,可以实现刷新JWT逻辑,提供一个刷新令牌机制。
- 过期时间设置:合理设置JWT的过期时间,既保证安全性又兼顾用户体验。
- 非对称加密(可选):在生产环境下考虑使用RSA算法而非HMAC,提高安全性。
典型生态项目
虽然直接使用django-rest-framework-jwt的活动已减少(可能因为DRF自带了新的认证方式如JWT认证插件DRF Simple JWT),但它过去是许多Django REST API项目中的关键组件。对于寻找更新替代方案的开发者,推荐考察类似djangorestframework-simplejwt这样的项目,它延续了JWT认证的功能并兼容最新版的Django REST Framework。
记住,选择合适的身份验证方法应基于具体的应用场景和安全性要求。随着技术的发展,社区可能会推出更多高效的解决方案,因此保持学习和探索新工具是很重要的。
以上就是关于django-rest-framework-jwt的基本教程和一些最佳实践建议,希望对你有所帮助。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00