Loco-RS项目中JWT Claims序列化问题的分析与改进
2025-05-29 11:28:28作者:庞眉杨Will
背景介绍
在基于Rust的Web框架Loco-RS中,JWT(JSON Web Token)的实现是认证系统的核心组件之一。JWT标准定义了一种紧凑且自包含的方式,用于在各方之间安全地传输信息作为JSON对象。这些信息可以被验证和信任,因为它们是数字签名的。
问题发现
在Loco-RS的当前实现中,开发者发现JWT的claims(声明)序列化方式存在一个设计问题。当开发者尝试添加自定义claims时,这些claims会被嵌套在一个名为"claims"的字段中,而不是直接与标准claims(如"pid"和"exp")平级。
例如,当开发者想要添加一个包含用户角色的claims时,期望的JWT payload结构应该是:
{
"pid": "PID",
"exp": 1736099338,
"roles": ["admin", "non-admin"]
}
但实际得到的却是:
{
"pid": "PID",
"exp": 1736099338,
"claims": {
"roles": ["admin", "non-admin"]
}
}
技术分析
这个问题源于Loco-RS中UserClaims结构体的定义方式:
#[derive(Debug, Serialize, Deserialize)]
pub struct UserClaims {
pub pid: String,
exp: u64,
pub claims: Option<Value>,
}
这里的claims字段被定义为一个可选的serde_json::Value类型,导致在序列化时,所有自定义claims都会被包装在这个字段下。
解决方案探讨
方案一:使用#[serde(flatten)]属性
最初的建议是使用Serde的flatten属性:
#[derive(Debug, Serialize, Deserialize)]
pub struct UserClaims {
pub pid: String,
exp: u64,
#[serde(flatten)]
pub claims: Option<Value>,
}
这个方案虽然简单,但存在潜在问题:当Value不是对象类型(如整数、字符串等)时,会导致运行时错误。
方案二:使用HashMap替代Value
更健壮的解决方案是使用HashMap<String, Value>:
#[derive(Debug, Serialize, Deserialize)]
pub struct UserClaims {
pub pid: String,
exp: u64,
#[serde(default, flatten)]
pub claims: HashMap<String,Value>,
}
这个方案的优势在于:
- 强制要求claims必须是键值对形式,符合JWT规范
- 使用
default属性确保即使没有提供claims也能正常工作 - 类型安全,避免了非对象类型的Value导致的错误
实现考量
采用第二种方案需要考虑以下因素:
- 向后兼容性:这是一个破坏性变更,需要更新所有使用此功能的代码
- 错误处理:需要明确处理claims转换失败的情况
- 性能影响:HashMap的使用可能会带来轻微的性能开销,但在大多数场景下可以忽略
最佳实践建议
在实际开发中,建议:
- 为自定义claims定义明确的类型,而不是直接使用Value
- 在转换时进行严格的类型检查
- 考虑添加claims验证机制,确保它们符合应用需求
结论
通过将UserClaims结构体中的claims字段改为使用HashMap<String, Value>并结合#[serde(flatten)]属性,可以更优雅地实现JWT claims的序列化,使其符合标准实践并提高类型安全性。这一改进将使Loco-RS的JWT实现更加符合开发者预期,同时保持灵活性和健壮性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1