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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00