Apache APISIX 中利用 serverless 插件修改响应体并添加新字段
2025-05-15 05:40:47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
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
454
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++
893
677
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
205
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (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
1.37 K
781