解决code-server子域名代理端口重定向问题
在使用code-server时,通过子域名代理方式访问自定义应用时遇到了重定向问题。本文将详细分析问题原因并提供解决方案。
问题现象
用户在使用code-server的Docker容器时,配置了子域名代理功能,期望通过类似https://3000.example.com:12345/的URL访问运行在3000端口的PHP应用。然而实际访问时,系统却将请求重定向到了code-server主界面,而非预期的PHP应用。
环境配置
用户使用的是linuxserver/code-server:4.96.4镜像,主要配置如下:
-
环境变量设置:
- PROXY_DOMAIN=example.com
- VSCODE_PROXY_URI=https://{{port}}.example.com:12345
-
配置文件修改:
- ~/.config/code-server/config.yaml中添加了proxy-domain: example.com
-
端口映射:
- 主端口3000映射到容器内的8443
问题分析
当用户启动PHP服务器后,code-server正确生成了代理URLhttps://3000.example.com:12345/,但访问时发生了意外的302重定向。有趣的是,通过https://example.com:12345/proxy/3000/这个替代URL仍然可以访问到PHP应用。
这表明code-server的子域名代理功能基本工作正常,但在处理包含端口的子域名时出现了路由判断错误。核心问题在于PROXY_DOMAIN环境变量的配置没有包含端口信息,导致系统无法正确匹配包含端口的请求。
解决方案
经过排查,发现只需简单修改PROXY_DOMAIN环境变量的配置即可解决问题:
将原来的:
PROXY_DOMAIN=example.com
修改为:
PROXY_DOMAIN=example.com:12345
这一修改使得code-server能够正确识别包含端口的子域名请求,从而将流量正确路由到目标应用而非code-server主界面。
技术原理
code-server的代理功能依赖于对请求Host头的匹配。当PROXY_DOMAIN不包含端口时,系统默认只匹配域名部分,忽略端口差异。添加端口信息后,系统会进行完整的Host头匹配,包括域名和端口,从而确保请求被正确路由。
最佳实践
- 当使用非标准端口时,确保PROXY_DOMAIN包含完整的域名和端口信息
- VSCODE_PROXY_URI中的端口应与实际访问端口一致
- 检查config.yaml中的proxy-domain配置是否与环境变量一致
- 对于Docker部署,确保端口映射关系正确
总结
通过这个案例可以看出,在使用code-server的代理功能时,配置细节非常重要。特别是当使用非标准端口时,必须确保所有相关配置中都包含完整的域名和端口信息,才能保证代理功能正常工作。这个小技巧可以帮助开发者避免不必要的调试时间,快速搭建基于子域名的开发环境代理。
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