RedwoodJS中Subscription请求头丢失问题分析与解决方案
2025-05-12 18:27:36作者:齐添朝
问题背景
在使用RedwoodJS框架开发GraphQL应用时,开发者发现了一个关于Subscription请求头传递的问题。当在GraphQL客户端配置中设置自定义HTTP头时,这些头信息能够正常传递到常规GraphQL请求中,但在使用Subscription订阅时,这些自定义头信息却丢失了。
问题重现
开发者提供了一个典型的重现场景:
- 在GraphQL客户端配置中添加自定义HTTP头
httpLinkConfig: {
credentials: 'include',
headers: {
'slug': getSlug(),
},
}
- 使用RedwoodJS提供的countdown示例项目
- 检查网络请求,发现Subscription的EventStream请求中缺少配置的自定义头
技术分析
问题的根源在于RedwoodJS的SSELink实现中,对HTTP头的处理不够完善。具体来说:
- 在
apollo/sseLink.ts文件中,HTTP头的处理逻辑存在缺陷 - 当前实现只处理了
credentials、referrer和referrerPolicy这几个特定头 - 其他自定义头信息没有被正确传递到Subscription请求中
解决方案
开发者已经提出了一个有效的修复方案,主要修改点包括:
- 使用对象展开运算符收集剩余的所有头信息
const { credentials, referrer, referrerPolicy, ...rest } = httpLinkConfig?.headers || {};
- 将这些剩余头信息合并到最终的请求头中
headers: async () => {
const token = await auth.tokenFn();
if (!token) {
return { ...headers, ...rest };
}
return {
Authorization: `Bearer ${token}`,
"auth-provider": auth.authProviderType,
...headers,
...rest
};
}
影响范围
这个修复将确保:
- 所有自定义HTTP头都能正确传递到Subscription请求
- 不影响现有的认证头信息处理
- 保持与常规GraphQL请求的头信息一致性
最佳实践
对于需要在Subscription中使用自定义头的开发者,建议:
- 明确区分认证头和应用特定的自定义头
- 避免在自定义头中放置敏感信息
- 在服务端验证所有必要的头信息
总结
这个问题的修复将提升RedwoodJS在处理GraphQL Subscription时的完整性和一致性,确保自定义头信息能够像常规GraphQL请求一样被正确传递。对于需要基于头信息实现多租户或上下文相关功能的应用程序来说,这一改进尤为重要。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
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++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
659
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
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
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
342
146