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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00