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。
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