FastEndpoints项目中使用OpenAPI和Scalar实现API端点分组
2025-06-08 17:23:14作者:齐添朝
在FastEndpoints框架中,合理组织API端点是提升API文档可读性和维护性的重要环节。本文将详细介绍如何通过OpenAPI规范和Scalar文档工具实现API端点的有效分组。
核心概念
FastEndpoints提供了简洁的方式来定义API端点分组,主要通过Tags()方法实现。每个端点可以被打上一个或多个标签,这些标签最终会转换为OpenAPI规范中的tags属性,并在API文档工具中呈现为分组。
正确配置方式
1. 基础配置
首先需要在Program.cs中进行正确的Swagger和Scalar配置:
var builder = WebApplication.CreateBuilder();
builder.Services.AddFastEndpoints()
.SwaggerDocument(o =>
{
o.DocumentName = "v1";
o.Title = "My API";
o.Description = "API documentation";
});
var app = builder.Build();
app.UseFastEndpoints(c =>
{
c.Endpoints.RoutePrefix = "api";
c.Serializer.Options.PropertyNamingPolicy = JsonNamingPolicy.CamelCase;
c.Serializer.Options.Converters.Add(new JsonStringEnumConverter());
});
if (app.Environment.IsDevelopment())
{
app.UseSwaggerGen();
app.MapScalarApiReference();
}
app.Run();
2. 端点分组实现
在端点类中,使用Tags()方法指定分组:
public class AssetsEndpoint : Endpoint<MyResponse>
{
public override void Configure()
{
Get("/models");
Tags("Assets", "3D Models"); // 可以指定多个标签
Description("Operations about 3D models");
}
public override async Task HandleAsync(CancellationToken ct)
{
await SendOkAsync(ct);
}
}
高级配置选项
1. 全局标签定义
可以在Swagger配置中预定义所有可能的标签:
builder.Services.AddFastEndpoints()
.SwaggerDocument(o =>
{
o.DocumentName = "v1";
o.Title = "My API";
o.TagDescriptions = new Dictionary<string, string>
{
["Assets"] = "Operations about 3D models",
["Users"] = "User management operations"
};
});
2. Scalar特定配置
可以针对Scalar文档工具进行特定配置:
app.MapScalarApiReference(o =>
{
o.DocumentTitle = "My API Documentation";
o.DefaultOpenAllTags = false; // 默认不展开所有分组
o.ScalarVersion = "1.0.0";
});
常见问题解决
-
标签不显示问题:确保使用的是FastEndpoints内置的
SwaggerDocument()方法,而非第三方库的类似方法。 -
分组不生效:检查端点类中是否正确调用了
Tags()方法,并且标签名称与全局定义一致。 -
文档工具兼容性:FastEndpoints生成的OpenAPI规范与主流文档工具兼容,包括Swagger UI、Scalar、Redoc等。
最佳实践建议
- 保持标签名称简洁且具有描述性
- 为每个标签添加详细的描述信息
- 避免创建过多的标签分组
- 考虑API消费者的视角来设计分组逻辑
- 在开发环境启用文档,生产环境禁用
通过以上配置和实践,开发者可以轻松实现API端点的逻辑分组,提升API文档的可读性和易用性,为API消费者提供更好的使用体验。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
407
3.14 K
Ascend Extension for PyTorch
Python
226
252
暂无简介
Dart
673
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
319
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
658
React Native鸿蒙化仓库
JavaScript
262
326
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868