SpringDoc OpenAPI 中注解继承问题的解决方案
问题背景
在使用SpringDoc OpenAPI为Spring Boot应用生成API文档时,开发者经常需要为大量重复出现的参数或字段添加相同的文档描述。为了避免代码重复,通常会创建自定义注解来封装这些文档元数据。
两种注解方式的对比
参数注解的成功案例
对于方法参数,开发者可以创建一个自定义注解@PersonIdParam,该注解上添加了@Parameter注解:
@Retention(RetentionPolicy.RUNTIME)
@Parameter(description = "Person identifier", example = "1234")
public @interface PersonIdParam {
}
这种方式在控制器方法参数上使用时能够正常工作:
@GetMapping("/person/{id}")
public Mono<PersonDto> getById(@PathVariable @PersonIdParam String id) {
// ...
}
字段注解的失效问题
当尝试为DTO字段创建类似的注解时,却发现文档元数据没有被正确识别:
@Target(ElementType.FIELD)
@Retention(RetentionPolicy.RUNTIME)
@Schema(description = "Person identifier", example = "1234")
public @interface PersonIdField {
}
在DTO中使用时:
public class PersonDto {
@PersonIdField
private String id;
// ...
}
这种情况下,description和example属性不会出现在生成的OpenAPI文档中。
问题根源分析
这个问题的根本原因在于Swagger Core库处理注解的方式。对于字段级别的注解,Swagger Core需要额外的信息来确定如何处理嵌套的注解元数据。
解决方案
通过在自定义注解上添加@JacksonAnnotationsInside注解,可以解决这个问题:
@Target(ElementType.FIELD)
@Retention(RetentionPolicy.RUNTIME)
@Schema(description = "Person identifier", example = "1234")
@JacksonAnnotationsInside
public @interface PersonIdField {
}
@JacksonAnnotationsInside注解的作用是告诉Jackson处理器,这个自定义注解内部包含了其他需要处理的注解。这样Swagger Core就能正确识别嵌套在自定义注解中的@Schema注解。
技术原理
-
注解处理机制:Java注解处理器需要明确知道哪些注解需要被处理,以及如何处理嵌套的注解结构。
-
Jackson的特殊要求:当注解应用于字段时,Jackson需要明确的指示来处理嵌套的注解元数据。
-
Swagger Core的集成:Swagger Core与Jackson紧密集成,遵循Jackson的注解处理规则。
最佳实践建议
-
对于参数级别的文档注解,直接使用
@Parameter即可。 -
对于字段级别的文档注解,必须添加
@JacksonAnnotationsInside才能使嵌套的@Schema生效。 -
考虑创建统一的文档注解库,集中管理所有API元素的文档描述。
-
在团队内部建立注解使用规范,确保文档生成的一致性。
总结
通过理解Swagger Core和Jackson的注解处理机制,开发者可以更有效地创建可重用的文档注解。记住字段级注解需要@JacksonAnnotationsInside的特殊要求,可以帮助避免文档生成中的常见问题,提高API文档的质量和一致性。
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