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。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00