DRF-Spectacular中处理PDF响应类型的正确方式
在使用Django REST framework (DRF) 和其API文档生成工具drf-spectacular时,开发者可能会遇到一个常见问题:如何正确地配置视图以支持返回PDF格式的响应。本文将通过一个典型场景,深入分析问题原因并提供解决方案。
问题场景
假设我们有一个DRF视图集,其中包含一个返回PDF报告的自定义action。开发者尝试使用drf-spectacular的@extend_schema装饰器来明确指定这个action返回的是PDF格式的二进制数据:
@extend_schema(responses={(200, "application/pdf"): OpenApiTypes.BINARY})
@action(methods=("get",), detail=True, url_path="pdf-report")
def pdf_report(...)
然而,当通过Swagger UI测试这个端点时,却收到了"Could not satisfy the request Accept header"的错误。
问题分析
这个问题的根源在于DRF的请求处理机制和drf-spectacular的职责分工:
-
drf-spectacular的作用:它仅负责生成API文档(schema),不会修改API的实际行为。
@extend_schema装饰器只是告诉文档生成器这个端点会返回PDF格式的数据。 -
DRF的渲染器机制:DRF默认情况下可能没有配置处理
application/pdf的渲染器。当客户端请求PDF格式时,DRF会检查其renderer_classes中是否包含能处理该格式的渲染器,如果没有就会拒绝请求。
解决方案
要解决这个问题,我们需要在DRF层面正确配置PDF渲染器。以下是两种可行的方案:
方案一:自定义渲染器类
创建一个简单的PDF渲染器类,明确声明它能处理的媒体类型:
from rest_framework.renderers import BaseRenderer
class PDFRenderer(BaseRenderer):
media_type = 'application/pdf'
format = 'pdf'
charset = None
render_style = 'binary'
def render(self, data, media_type=None, renderer_context=None):
return data
然后在视图中指定这个渲染器:
@extend_schema(responses={(200, "application/pdf"): OpenApiTypes.BINARY})
@action(methods=("get",), detail=True, url_path="pdf-report",
renderer_classes=[PDFRenderer])
def pdf_report(...)
方案二:使用APIView并配置渲染器
如果使用基于类的视图而不是视图集,可以这样配置:
from rest_framework.views import APIView
from rest_framework.response import Response
class PDFReportView(APIView):
renderer_classes = [PDFRenderer]
@extend_schema(responses={(200, "application/pdf"): OpenApiTypes.BINARY})
def get(self, request, *args, **kwargs):
# 生成PDF的逻辑
return Response(pdf_data, content_type='application/pdf')
最佳实践建议
-
明确区分文档和实现:记住drf-spectacular只负责文档生成,API的实际行为由DRF控制。
-
测试不同内容类型:在开发API时,应该测试各种Accept头的情况,确保API能正确处理所有声明的响应格式。
-
考虑使用动态渲染器:对于需要支持多种格式的端点,可以考虑使用DRF的内容协商机制动态选择渲染器。
通过正确理解DRF的渲染器机制和drf-spectacular的文档生成原理,开发者可以轻松解决这类内容类型协商问题,构建出既文档完善又功能正确的API端点。
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
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
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01