API Platform多应用环境下Swagger文档缓存冲突问题解析
2025-05-26 00:59:31作者:滕妙奇
问题背景
在使用API Platform构建多应用系统时,开发者可能会遇到一个棘手的问题:当系统包含多个独立应用(每个应用都有自己的API文档)时,首次加载各应用的Swagger文档显示正常,但在刷新页面后,所有应用的文档会显示相同内容。
问题现象
在多应用架构中(例如基于Symfony的多内核配置),每个应用都有自己独立的API文档配置。初始状态下:
- 应用A的Swagger文档正确显示A应用的API接口
- 应用B的Swagger文档正确显示B应用的API接口
但在刷新任意一个应用的页面后:
- 所有应用的Swagger文档都会显示相同内容(通常是最后加载的那个应用的API接口)
问题根源
经过深入分析,发现问题的根源在于API Platform的缓存机制。具体表现为:
- API Platform使用
CachedResourceNameCollectionFactory来缓存资源名称集合 - 默认的缓存键生成策略没有考虑应用之间的区分
- 导致不同应用在访问Swagger文档时,可能读取到相同的缓存结果
解决方案
方案一:自定义缓存键生成策略
通过继承并重写CachedResourceNameCollectionFactory类,可以修改缓存键的生成逻辑,确保每个应用有独立的缓存空间:
namespace Shared\ApiPlatform\Metadata\Resource\Factory;
use ApiPlatform\Metadata\Resource\Factory\CachedResourceNameCollectionFactory as BaseCachedResourceNameCollectionFactory;
use Symfony\Component\HttpFoundation\RequestStack;
class CachedResourceNameCollectionFactory extends BaseCachedResourceNameCollectionFactory
{
private $requestStack;
public function __construct($cache, $decorated, RequestStack $requestStack)
{
parent::__construct($cache, $decorated);
$this->requestStack = $requestStack;
}
protected function getCacheKey(): string
{
// 添加主机名作为缓存键的一部分
$request = $this->requestStack->getCurrentRequest();
return $request ? $request->getHost().parent::getCacheKey() : parent::getCacheKey();
}
}
方案二:服务配置覆盖
在服务配置中覆盖默认的缓存工厂服务:
services:
api_platform.metadata.resource.name_collection_factory.cached:
class: Shared\ApiPlatform\Metadata\Resource\Factory\CachedResourceNameCollectionFactory
arguments:
- '@api_platform.cache.metadata.resource'
- '@api_platform.metadata.resource.name_collection_factory.cached.inner'
- '@request_stack'
实现原理
这种解决方案的核心思想是通过在缓存键中加入应用特定的标识(如主机名),确保:
- 不同应用的API文档请求会生成不同的缓存键
- 每个应用独立维护自己的API文档缓存
- 避免了缓存冲突问题
最佳实践建议
- 明确应用边界:在多应用架构中,确保每个应用有明确的域名或路径区分
- 缓存隔离:不仅API文档,其他缓存也应考虑应用隔离
- 环境区分:开发、测试、生产环境的缓存也应相互隔离
- 监控机制:建立缓存命中/失效的监控,确保缓存机制正常工作
总结
API Platform作为强大的API开发框架,在多应用环境下使用时需要注意缓存隔离问题。通过自定义缓存键生成策略,可以有效地解决Swagger文档在多应用间的冲突问题,确保每个应用能够正确显示自己的API文档。这种解决方案不仅适用于Swagger文档,也可以推广到其他需要应用隔离的缓存场景中。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
301
2.65 K
Ascend Extension for PyTorch
Python
130
152
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
457
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++
610
196
React Native鸿蒙化仓库
JavaScript
230
307
暂无简介
Dart
593
129
🎉 (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
1.05 K
613
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
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
360
2.43 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
155
205