Apache APISIX 中使用 response-rewrite 插件修改响应体字段
在 API 网关的实际应用中,我们经常需要对上游服务的响应进行修改和增强。Apache APISIX 提供了多种方式来实现这一需求,其中 response-rewrite 插件和 serverless 函数是两种常用的解决方案。
响应体修改的需求场景
在实际业务中,我们可能需要:
- 保留原始响应体的大部分内容
- 修改某些特定字段的值
- 添加新的字段到响应体中
- 使用 Nginx 变量(如 $http_*)的值来填充新字段
这种需求常见于 API 标准化、添加追踪信息、注入环境相关数据等场景。
解决方案对比
response-rewrite 插件
response-rewrite 插件是 APISIX 内置的用于修改响应头和响应体的插件。它简单易用,适合简单的响应修改场景。
serverless 函数
对于更复杂的响应体修改需求,可以使用 serverless 函数(特别是 serverless-post-function)。这种方式提供了完全的灵活性,可以在 Lua 代码中自由处理响应体。
使用 serverless 函数修改响应体
下面是一个完整的示例,展示如何使用 serverless-post-function 在 body_filter 阶段修改响应体:
{
"uri": "/get",
"plugins": {
"serverless-post-function": {
"phase": "body_filter",
"functions": [
"return function (conf, ctx)
local core = require(\"apisix.core\")
local body = core.response.hold_body_chunk(ctx)
-- 将响应体解析为 Lua table
local data = core.json.decode(body)
-- 修改现有字段
if data and data.some_field then
data.some_field = \"new value\"
end
-- 添加新字段
data.new_field = ngx.var.http_user_agent
data.another_field = ngx.var.remote_addr
-- 将修改后的数据设置回响应体
ngx.arg[1] = core.json.encode(data)
ngx.arg[2] = true
end"
]
}
},
"upstream": {
"nodes": {
"httpbin.org:80": 1
},
"type": "roundrobin"
}
}
实现细节解析
-
body_filter 阶段:这是处理响应体的最佳阶段,此时我们已经获得了完整的响应内容。
-
hold_body_chunk:APISIX 核心方法,用于获取完整的响应体内容。
-
JSON 处理:使用 core.json 模块解码和编码 JSON 数据,确保正确处理各种 JSON 格式。
-
Nginx 变量:可以通过 ngx.var 访问各种 Nginx 变量,如:
- ngx.var.http_*:请求头信息
- ngx.var.remote_addr:客户端 IP
- ngx.var.request_uri:请求 URI
-
响应体设置:通过设置 ngx.arg[1] 为新的响应体内容,ngx.arg[2] 为 true 表示这是最后一个数据块。
性能考虑
-
对于大响应体,JSON 解码/编码操作可能会影响性能,应考虑是否有必要处理整个响应体。
-
如果只需要修改少量字段,可以考虑使用字符串操作而非完整的 JSON 解析。
-
在高并发场景下,应测试这种操作的性能影响。
最佳实践
-
对于简单的字段添加/修改,优先考虑 response-rewrite 插件。
-
对于复杂逻辑,使用 serverless 函数,但应将复杂逻辑尽量简化。
-
添加的错误处理机制,确保在 JSON 解析失败时能优雅降级。
-
考虑将通用处理逻辑封装为自定义插件,提高复用性。
通过这种灵活的方式,APISIX 可以满足各种响应体修改需求,为 API 网关提供强大的响应处理能力。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00