Swashbuckle.AspNetCore 中 XML 文档注释的格式问题解析
问题背景
在使用 Swashbuckle.AspNetCore 生成 API 文档时,开发者发现当在 XML 文档注释的 <remarks> 标签中使用 <details> 和 <code> 组合时,生成的文档显示会出现异常格式问题。具体表现为代码块前出现大量空白,影响文档的可读性和美观性。
问题复现
当开发者使用如下格式的 XML 文档注释时:
/// <summary>My work api</summary>
/// <remarks>
/// <details>
/// <summary>Details Title</summary>
/// <code>
/// {
/// "Prop1":1,
/// "Prop2":[]
/// }
/// </code>
/// </details>
/// </remarks>
生成的 Swagger UI 文档会显示异常,代码块前出现大量不必要的空白。通过分析生成的 OpenAPI JSON 描述,可以看到 <code> 标签被转换为 Markdown 的代码块语法(```),但格式处理存在问题。
技术分析
-
XML 文档注释规范:C# 的 XML 文档注释标准并未正式支持
<details>标签,官方文档中只推荐使用标准标签如<summary>,<remarks>,<code>等。 -
Swashbuckle 处理机制:Swashbuckle 在转换 XML 注释时会尝试将
<code>标签内容转换为 Markdown 代码块格式,但对于非标准标签如<details>的处理不够完善。 -
HTML 与 Markdown 转换:Swagger UI 最终渲染的是 HTML,而 Swashbuckle 在中间处理过程中涉及 XML 到 Markdown 再到 HTML 的多重转换,这可能导致某些特殊格式的丢失或变形。
解决方案
经过测试,发现以下两种解决方案:
临时解决方案
在 <details> 前添加文本内容,并在 <code> 标签前后添加 <br/> 换行标签:
/// <summary>My work api</summary>
/// <remarks>
/// You need put some text before "details" tag can reomve the long space string in output
/// <details>
/// <summary>Details Title</summary><br/>
/// <code>
/// {
/// "Prop1":1,
/// "Prop2":[]
/// }
/// </code><br/>
/// </details>
/// </remarks>
长期建议
-
避免使用非标准标签:尽量只使用 C# 官方文档支持的 XML 注释标签。
-
对于代码示例:可以单独使用
<code>标签,或考虑将示例代码放在外部文件中引用。 -
对于需要折叠的内容:考虑使用 Swagger 的扩展特性或等待 Swashbuckle 对
<details>标签的正式支持。
最佳实践
-
代码示例格式化:确保
<code>标签内的内容正确缩进,避免额外的空白。 -
标签组合测试:在使用非标准标签组合时,应进行充分测试。
-
关注更新:关注 Swashbuckle.AspNetCore 的更新,该问题已在最新版本中得到部分修复。
总结
XML 文档注释是 .NET API 开发中的重要组成部分,但在使用非标准标签时需要特别注意兼容性问题。开发者应当优先使用标准标签,对于特殊需求可以寻找替代方案或等待框架的官方支持。Swashbuckle.AspNetCore 团队正在不断改进对 XML 注释的处理,未来版本可能会提供更完善的解决方案。
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00