Apache APISIX 中从 Cookie 读取 Token 并设置 Authorization 头的实现方法
背景介绍
在现代 Web 应用和 API 开发中,身份验证是一个至关重要的环节。Apache APISIX 作为一款高性能的 API 网关,提供了多种身份验证机制。其中,基于 OpenID Connect 的认证方式因其标准化和安全性而广受欢迎。
问题场景
在实际应用中,我们经常会遇到这样的需求:客户端通过 Cookie 传递访问令牌(Token),而服务端验证则需要通过标准的 Authorization 头来获取这个令牌。这种设计模式常见于:
- 浏览器端应用通过 HTTP-only Cookie 安全地存储令牌
- 需要遵循 OAuth2/OpenID Connect 规范的 API 服务
- 需要同时支持 Cookie 和 Header 两种认证方式的系统
解决方案
Apache APISIX 提供了灵活的插件机制来解决这类需求。我们可以利用 serverless-pre-function 插件在请求处理流程的早期阶段,从 Cookie 中提取令牌并设置到 Authorization 头中。
实现步骤
-
使用 serverless-pre-function 插件:这个插件允许我们在请求处理流程的早期阶段执行自定义 Lua 代码。
-
访问 Cookie 值:通过
ngx.var.cookie_NAME语法可以获取指定名称的 Cookie 值。 -
设置请求头:使用 APISIX 核心库的
core.request.set_header方法设置 Authorization 头。
配置示例
以下是一个完整的路由配置示例,展示了如何从名为 "token" 的 Cookie 中读取值,并将其设置为 Bearer Token:
{
"plugins": {
"serverless-pre-function": {
"functions": [
"return function (conf, ctx) local core = require(\"apisix.core\"); core.request.set_header(ctx, \"Authorization\", \"Bearer \" .. ngx.var.cookie_token); end"
]
},
"openid-connect": {
// OpenID Connect 插件配置
}
},
// 其他路由配置
}
实现原理
-
执行顺序:serverless-pre-function 插件默认优先级为 10000,而 openid-connect 插件优先级为 2599,这确保了我们的自定义逻辑会在认证之前执行。
-
Lua 代码解析:
- 首先引入 APISIX 核心模块
- 通过
ngx.var.cookie_token获取名为 "token" 的 Cookie 值 - 使用
core.request.set_header方法设置 Authorization 头 - 按照 Bearer Token 的格式拼接字符串
-
安全考虑:这种实现方式不会暴露 Cookie 值给后端服务,保持了前后端分离架构的安全性。
扩展应用
这种模式不仅可以用于 OpenID Connect 认证,还可以应用于:
- 将多种认证方式统一为标准格式
- 实现认证方式的降级处理(如从 Cookie 回退到 Header)
- 在网关层实现认证信息的转换和增强
最佳实践
-
错误处理:在实际生产环境中,应该添加对 Cookie 不存在的错误处理。
-
日志记录:建议添加适当的日志记录,便于调试和审计。
-
性能考虑:虽然 Lua 代码执行效率很高,但仍应保持逻辑简洁。
-
安全加固:可以添加对 Cookie 值的验证,防止注入攻击。
总结
通过 Apache APISIX 的插件机制,我们可以灵活地处理各种认证场景。从 Cookie 读取 Token 并设置 Authorization 头只是其中一个典型应用。这种方案既保持了浏览器端的安全性(使用 HTTP-only Cookie),又满足了标准 API 认证的要求,是现代化应用架构中的理想选择。
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00