Apache APISIX 中利用 serverless 插件修改响应体并添加新字段
2025-05-15 08:49:33作者:昌雅子Ethen
在 API 网关的实际应用中,我们经常需要对上游服务的响应进行修改和增强。Apache APISIX 提供了多种方式来实现这一需求,其中 serverless 插件是一个非常灵活的选择。本文将详细介绍如何使用 serverless-post-function 插件来修改响应体内容并添加新的字段。
响应体修改的需求场景
在实际业务中,我们可能需要:
- 保留原始响应的大部分内容,只修改特定字段
- 基于请求头信息($http_*)向响应中添加新的字段
- 对响应体进行复杂的转换处理
这些需求都可以通过 APISIX 的 serverless 插件来实现,特别是在 body_filter 阶段进行操作。
serverless-post-function 插件详解
serverless-post-function 插件允许我们在请求处理的不同阶段注入 Lua 代码。对于响应体修改的场景,我们需要在 body_filter 阶段进行操作。
基本配置示例
{
"plugins": {
"serverless-post-function": {
"phase": "body_filter",
"functions": [
"return function (conf, ctx)
local core = require(\"apisix.core\")
local body = core.response.hold_body_chunk(ctx)
-- 在这里处理响应体
ngx.arg[1] = \"修改后的响应体内容\"
ngx.arg[2] = true
end"
]
}
}
}
关键点解析
- phase 参数:必须设置为 "body_filter" 才能在响应体过滤阶段执行
- hold_body_chunk:获取当前的响应体内容
- ngx.arg[1]:设置修改后的响应体
- ngx.arg[2]:设置为 true 表示这是最后一个数据块
实际应用示例
假设我们需要:
- 保留原始 JSON 响应
- 修改其中的某个字段
- 添加基于请求头的新字段
return function (conf, ctx)
local core = require("apisix.core")
local body = core.response.hold_body_chunk(ctx)
-- 解析JSON响应体
local json_body, err = core.json.decode(body)
if not json_body then
core.log.error("failed to decode json: ", err)
return
end
-- 修改现有字段
if json_body["existing_field"] then
json_body["existing_field"] = "new_value"
end
-- 添加基于请求头的新字段
json_body["client_ip"] = ctx.var.remote_addr
json_body["user_agent"] = ctx.var.http_user_agent
-- 重新编码为JSON并设置响应
ngx.arg[1] = core.json.encode(json_body)
ngx.arg[2] = true
end
注意事项
- 性能考虑:JSON 编解码会带来一定的性能开销,在高并发场景下需要评估影响
- 错误处理:必须妥善处理 JSON 解析失败的情况
- 大响应体:对于大响应体,需要考虑内存使用情况
- 编码问题:确保响应体的编码正确处理
替代方案
除了 serverless 插件外,APISIX 还提供了:
- response-rewrite 插件:适合简单的响应修改
- 自定义插件开发:对于复杂需求可以开发专用插件
但 serverless 插件提供了最大的灵活性,特别适合快速原型开发和特殊场景处理。
总结
通过 APISIX 的 serverless-post-function 插件,我们可以在 body_filter 阶段灵活地修改响应体内容。这种方法虽然需要编写一些 Lua 代码,但提供了最大的控制能力,能够满足各种复杂的响应修改需求。在实际应用中,建议先评估性能影响,并在必要时考虑开发专用插件来优化性能。
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
最新内容推荐
SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 2023年最新HTMLCSSJS组件库:提升前端开发效率的必备资源 Qt控件CSS样式实例大全 - 打造现代化GUI界面的终极指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
305
2.68 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
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++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
635
🎉 (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
1.06 K
614
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
195
71
仓颉编程语言测试用例。
Cangjie
36
634