ASP.NET Core 中 Minimal API 实现 SSE 的技术实践
在 ASP.NET Core 开发中,Server-Sent Events (SSE) 是一种实现服务器向客户端推送数据的轻量级技术。本文将深入探讨如何在 ASP.NET Core 的 Minimal API 中正确实现 SSE 功能,并解决开发过程中可能遇到的内容类型设置问题。
技术背景
SSE 是一种基于 HTTP 的服务器推送技术,它允许服务器单向地向客户端发送事件流。与 WebSocket 不同,SSE 仅支持服务器到客户端的单向通信,但实现更简单,适用于需要服务器推送但不需要双向通信的场景。
在 ASP.NET Core 中,传统控制器方式实现 SSE 相对直接,通过设置 Response.Headers.ContentType = "text/event-stream" 即可。但在 Minimal API 中,这一过程会遇到一些特殊挑战。
问题现象
当开发者尝试在 Minimal API 中返回 IAsyncEnumerable<T> 来实现 SSE 时,会遇到内容类型被强制设置为 application/json; utf-8 的问题。这是因为 Minimal API 的底层机制会自动处理响应序列化,覆盖了手动设置的内容类型。
解决方案
经过技术验证,正确的实现方式应使用 Results.Json 方法,并显式指定内容类型参数:
endpointRouteBuilder.MapGet("api/v1/jobs/{jobId}/status/stream", (Guid jobId, CancellationToken cancellationToken) =>
{
var sseStream = GetStatusStream(cancellationToken);
return Results.Json(sseStream, contentType: "text/event-stream");
});
这种方法既保持了 Minimal API 的简洁性,又正确设置了 SSE 所需的内容类型。
实现细节
完整的 SSE 实现示例:
private async IAsyncEnumerable<JobStatus> GetStatusStream([EnumeratorCancellation] CancellationToken cancellationToken)
{
for (int i = 0; i < 10; i++)
{
await Task.Delay(500, cancellationToken);
yield return new JobStatus(10, i + 1);
}
}
public record JobStatus(int TotalTasksCount, int CompletedTasksCount);
技术对比
与传统控制器方式相比,Minimal API 的 SSE 实现有以下特点:
- 代码更加简洁,路由和处理逻辑集中在一处
- 需要显式使用
Results.Json方法来设置内容类型 - 保持了 Minimal API 的轻量级特性
- 仍然支持异步流式传输
最佳实践
在实际开发中,建议:
- 为 SSE 端点添加明确的路由前缀,如
/sse/ - 考虑添加 CORS 策略以支持跨域访问
- 实现适当的心跳机制保持连接活跃
- 添加错误处理和连接状态监控
总结
ASP.NET Core 的 Minimal API 提供了实现 SSE 的高效方式,虽然与控制器方式略有不同,但通过正确使用 Results.Json 方法可以完美解决内容类型设置问题。这种实现方式既保持了代码的简洁性,又确保了功能的完整性,是轻量级服务器推送场景的理想选择。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00