gRPC-Swagger 项目使用教程
1. 项目介绍
gRPC-Swagger 是一个基于 gRPC 反射开发的调试工具,旨在通过 Swagger UI 方便地列出和调用 gRPC 方法。gRPC-Swagger 的核心功能是利用 gRPC 的反射机制,使得用户无需修改 proto 文件和相关代码实现,只需在启动服务时启用反射功能即可。
主要特性
- 易于使用:只需在启动服务时启用反射功能,无需修改 proto 文件和相关代码实现。
- 集成 Swagger UI:通过 Swagger UI 方便地查看 gRPC 方法的定义和参数。
- 简单调用:通过 Swagger UI 可以直接调用 gRPC 方法。
2. 项目快速启动
2.1 使用已发布的 JAR 包
首先,下载最新的 gRPC-Swagger JAR 包:
wget https://github.com/grpc-swagger/grpc-swagger/releases/latest/download/grpc-swagger.jar
然后,运行 JAR 包:
java -jar grpc-swagger.jar
默认情况下,gRPC-Swagger 会在端口 8080 上启动。如果需要使用其他端口,可以使用 --server.port 参数:
java -jar grpc-swagger.jar --server.port=8888
2.2 从源码构建
首先,克隆项目源码:
git clone https://github.com/grpc-swagger/grpc-swagger.git
cd grpc-swagger
然后,使用 Maven 构建项目:
mvn clean package
最后,运行生成的 JAR 包:
java -jar grpc-swagger-web/target/grpc-swagger.jar
3. 应用案例和最佳实践
3.1 启用 gRPC 反射
在使用 gRPC-Swagger 之前,需要在 gRPC 服务中启用反射功能。以下是一个 Java 示例:
<!-- 添加依赖到 pom.xml -->
<dependency>
<groupId>io.grpc</groupId>
<artifactId>grpc-services</artifactId>
<version>${grpc.version}</version>
</dependency>
在服务启动时启用反射:
Server server = ServerBuilder.forPort(SERVER_PORT)
.addService(new HelloServiceImpl())
.addService(ProtoReflectionService.newInstance())
.build()
.start();
3.2 注册 gRPC 服务
启动 gRPC-Swagger 后,打开注册页面,输入必要的信息并点击“注册”按钮。gRPC-Swagger 会自动扫描可用的服务并返回成功注册的服务。
3.3 使用 Swagger UI 调用 gRPC 方法
注册服务后,可以通过 Swagger UI 查看 gRPC 服务。点击“Try it out”按钮可以直接测试 gRPC 方法。
4. 典型生态项目
4.1 gRPC-Gateway
gRPC-Gateway 是一个用于将 gRPC 服务暴露为 RESTful API 的工具。它可以将 gRPC 方法映射为 HTTP 端点,使得客户端可以通过 HTTP 请求访问 gRPC 服务。
4.2 Swagger UI
Swagger UI 是一个用于可视化 API 文档的工具。通过 Swagger UI,用户可以方便地查看 API 的定义、参数和示例请求。
4.3 protoc-gen-openapiv2
protoc-gen-openapiv2 是一个 protoc 插件,用于将 proto 文件编译为 Swagger 配置文件。通过这个插件,用户可以生成 Swagger UI 所需的配置文件。
通过这些生态项目,gRPC-Swagger 可以与现有的 gRPC 和 RESTful API 生态系统无缝集成,提供更强大的调试和文档功能。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00