Swashbuckle.AspNetCore 控制器排序问题解决方案
2025-06-08 08:46:52作者:卓炯娓
问题背景
在使用 Swashbuckle.AspNetCore 为 ASP.NET Core 应用生成 API 文档时,开发者经常会遇到控制器排序不符合预期的问题。特别是在多项目结构中,当控制器分布在不同的程序集(如共享库和主应用)时,默认的排序行为可能无法满足需求。
典型场景
假设我们有以下控制器结构:
- 共享库中的 PingController(Xxx.Yyy.Common.Controllers.Ping.PingController)
- 主应用中的 HealthChecksController 和 SamplesController
期望的排序顺序是:
- HealthChecks
- Ping
- Samples
常见误区
许多开发者会尝试使用 OrderActionsBy 方法来控制排序:
options.OrderActionsBy(
apiDesc =>
$"{apiDesc.ActionDescriptor.RouteValues["controller"]}_{apiDesc.RelativePath}_{apiDesc.HttpMethod}"
);
这种方法虽然能对控制器内部的端点方法进行排序,但对控制器本身的排序无效。这是因为 OrderActionsBy 主要影响的是同一控制器下各个操作的排序,而非控制器级别的排序。
解决方案
方案一:使用 DocumentFilter(不推荐)
可以通过实现 IDocumentFilter 接口来手动指定标签顺序:
public class ApiControllerTagDescriptions : IDocumentFilter
{
public void Apply(OpenApiDocument swaggerDoc, DocumentFilterContext context)
{
swaggerDoc.Tags = new List<OpenApiTag>
{
new OpenApiTag{ Name = "HealthChecks", Description = "HealthChecks" },
new OpenApiTag{ Name = "Ping", Description = "Ping" },
new OpenApiTag{ Name = "Samples", Description = "Samples" }
};
}
}
然后在配置中注册:
options.DocumentFilter<ApiControllerTagDescriptions>();
缺点:这种方法需要硬编码控制器名称,维护成本高,特别是在多项目或频繁变更的场景下。
方案二:配置 SwaggerUI 排序选项(推荐)
更优雅的解决方案是直接配置 SwaggerUI 的排序行为:
services.Configure<SwaggerUIOptions>(options =>
{
// 控制器或标签级别的排序(UI中的顶层分组)
options.ConfigObject.AdditionalItems["tagsSorter"] = "alpha";
// 控制器内部操作的排序(端点方法)
options.ConfigObject.AdditionalItems["operationsSorter"] = "alpha";
});
参数说明:
"alpha":按字母顺序排序(适用于路径或标签)"method":按HTTP方法排序(仅适用于操作)- 默认/省略:使用规范文档中的原始顺序
技术原理
这种解决方案之所以有效,是因为它直接配置了 SwaggerUI 的客户端排序行为。SwaggerUI 提供了内置的排序器:
tagsSorter:控制顶层标签/控制器的排序operationsSorter:控制每个控制器内部操作的排序
通过设置这些参数,我们可以覆盖默认的排序行为,而无需修改生成的 OpenAPI 规范文档本身。
最佳实践
- 对于简单的字母排序需求,使用
"alpha"即可满足大多数场景 - 如果需要更复杂的排序逻辑,可以编写自定义的 JavaScript 排序函数
- 在多项目环境中,这种配置方式比硬编码控制器名称更易于维护
- 建议将 Swagger 配置集中管理,便于统一维护和更新
注意事项
- 此解决方案主要影响 SwaggerUI 的展示顺序,不会改变生成的 OpenAPI 规范文档
- 如果 API 文档会被其他工具使用,需要考虑那些工具可能使用不同的排序逻辑
- 在 .NET 8 环境中验证通过,但原理适用于其他版本的 ASP.NET Core
通过这种配置方式,开发者可以轻松实现控制器的预期排序,同时保持代码的简洁性和可维护性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
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
1.03 K
492
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
342
146