Axios 中实现类似 Fetch 的 no-cors 模式请求
在实际开发中,前端应用经常需要与后端API进行跨域通信。虽然现代浏览器提供了Fetch API来处理这类请求,但许多项目仍然使用Axios作为HTTP客户端库。本文将探讨如何在Axios中实现类似Fetch API的no-cors模式请求。
跨域请求的挑战
跨域资源共享(CORS)是浏览器实施的安全机制,它限制了从不同源(协议+域名+端口)加载资源的能力。当我们需要从不同域的服务器获取数据时,通常会遇到CORS错误。
Fetch API提供了mode选项来控制请求的CORS行为,其中no-cors模式允许发起跨域请求而不需要服务器返回CORS头。这在某些特定场景下非常有用,比如与不支持CORS的旧服务通信。
Axios的局限性
Axios默认情况下没有直接暴露类似Fetch的mode选项。开发者通常会尝试以下方法来解决CORS问题:
- 配置withCredentials为false
- 使用中间服务器
- 修改服务器端CORS配置
但这些方法并不总是可行,特别是当我们需要保持与不支持CORS的服务器的兼容性时。
解决方案:使用Fetch适配器
Axios提供了一个鲜为人知但功能强大的特性——适配器系统。通过配置Axios使用fetch适配器,我们可以获得Fetch API的全部功能,同时保持Axios的API风格。
以下是实现no-cors请求的具体方法:
import axios from 'axios';
const apiClient = axios.create({
adapter: 'fetch', // 关键配置:使用fetch适配器
baseURL: 'https://api.example.com',
fetchOptions: {
mode: 'no-cors' // 启用no-cors模式
}
});
// 使用方式与普通Axios请求完全一致
apiClient.post('/endpoint', { data: 'value' })
.then(response => {
console.log(response.data);
})
.catch(error => {
console.error(error);
});
技术原理
当配置了fetch适配器后,Axios底层会使用浏览器的Fetch API来处理请求。fetchOptions对象中的配置会直接传递给Fetch API,因此我们可以利用Fetch的所有特性,包括:
- mode: 控制CORS行为
- credentials: 控制是否发送凭据
- cache: 控制缓存行为
- redirect: 控制重定向行为
注意事项
- 使用no-cors模式时,响应会被标记为"opaque",这意味着你无法读取响应内容,只能知道请求是否成功发送
- 某些浏览器可能对no-cors请求有额外限制
- 对于需要读取响应内容的场景,建议优先考虑配置正确的CORS头而不是使用no-cors模式
总结
通过Axios的适配器系统,我们可以灵活地结合Axios的易用性和Fetch API的强大功能。这种方案特别适合那些需要保持代码库一致性,同时又需要特定Fetch功能的项目。
对于大多数现代Web应用,建议优先考虑正确配置CORS头,而不是依赖no-cors模式。但在某些特殊场景下,这种技术方案提供了有价值的备选方案。
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