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。
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