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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00