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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00