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。
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