SpringDoc OpenAPI中@Hidden注解失效问题解析与解决方案
问题背景
在Spring Boot应用中使用SpringDoc OpenAPI生成API文档时,开发人员可能会遇到一个常见问题:当使用@Hidden注解标记REST控制器类时,该控制器仍然会出现在生成的OpenAPI文档中。这个问题在Spring Boot 3.2.4和springdoc-openapi-starter-common 2.6.0版本中尤为明显。
问题根源分析
这个问题的根本原因在于Spring框架的默认代理机制CGLIB。当Spring创建控制器类的代理时,会在原始类名后添加"$$SpringCGLIB$$0"后缀。SpringDoc OpenAPI在检查类是否被@Hidden注解标记时,直接使用了代理类名进行比较,导致无法正确识别原始类上的注解。
具体来说,问题出在AbstractOpenApiResource类的isHiddenRestControllers方法中,该方法直接使用isAssignableFrom方法比较类对象,而没有考虑Spring代理类的情况。
技术细节
Spring框架使用CGLIB或JDK动态代理来实现AOP功能。对于没有实现接口的类,Spring默认使用CGLIB代理,这会在原始类名后添加特殊后缀。这种代理机制虽然对业务逻辑透明,但在反射和注解处理时需要特别注意。
在SpringDoc OpenAPI的实现中,isHiddenRestControllers方法通过检查类是否被@Hidden注解标记来决定是否在文档中显示该控制器。由于代理类名的变化,这个检查逻辑失效了。
解决方案
Spring框架提供了ClassUtils.getUserClass方法来获取代理背后的原始类。我们可以利用这个方法来解决注解识别问题。具体实现方式是在检查@Hidden注解时,先通过getUserClass方法获取原始类,然后再进行比较。
这个解决方案已经被项目维护者采纳并合并到代码库中。修改后的逻辑能够正确处理代理类情况,确保@Hidden注解按预期工作。
最佳实践
- 当遇到Spring代理导致的注解识别问题时,优先考虑使用Spring提供的工具类如
ClassUtils来处理 - 在自定义注解处理器时,始终考虑代理类的情况
- 对于重要的API文档控制,除了类级别的
@Hidden注解,也可以考虑使用方法级别的控制
总结
Spring框架的代理机制虽然强大,但在处理注解时可能会带来一些意外情况。理解这些机制并学会使用Spring提供的工具类来处理代理类问题,是每个Spring开发者应该掌握的技能。通过这次问题的分析和解决,我们不仅解决了@Hidden注解失效的问题,也加深了对Spring代理机制的理解。
对于使用SpringDoc OpenAPI的开发者来说,升级到包含此修复的版本后,可以放心使用@Hidden注解来控制API文档的生成,确保文档的准确性和完整性。
kernelopenEuler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。C030
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