Apache APISIX中利用Lua插件实现Redis存储响应体的实践
2025-05-15 09:06:11作者:廉皓灿Ida
背景介绍
在API网关开发中,我们经常需要处理后端服务的响应数据,并将其存储到缓存系统中。Apache APISIX作为一款高性能的API网关,提供了强大的Lua插件机制,允许开发者灵活地处理请求和响应。本文将介绍如何在APISIX中实现一个将SOAP响应中的特定数据存储到Redis的解决方案。
技术挑战
在处理SOAP服务响应时,我们遇到了几个关键挑战:
- 需要在body_filter阶段获取完整的响应体内容
- 由于Nginx的限制,无法在body_filter阶段直接进行Redis操作
- 需要跨插件共享解析后的数据
- 对后端服务无修改权限,所有操作必须在网关层面完成
解决方案设计
第一阶段:响应体解析
我们首先创建一个专门用于解析响应体的插件,该插件工作在body_filter阶段:
local function extract_session_id(xml_string)
local pattern = "<GetSessionIdResponse[^>]*>(.-)</GetSessionIdResponse>"
local session_id = string.match(xml_string, pattern)
if session_id then
ngx.log(ngx.INFO, "Session ID: ", session_id)
return session_id
else
ngx.log(ngx.ERR, "Failed to extract Session ID from XML response")
return nil
end
end
function _M.body_filter(conf, ctx)
local body = core.response.hold_body_chunk(ctx)
if not body then
return core.log.warn("failed to hold response body chunk")
end
local sessionid = extract_session_id(body)
ctx.sessionid = sessionid
end
这个插件通过正则表达式从SOAP响应中提取SessionID,并将其存储在请求上下文中。
第二阶段:Redis存储
由于无法在body_filter阶段直接操作Redis,我们采用以下策略:
- 将Redis操作移至log阶段
- 使用ngx.timer.at创建异步任务,避免阻塞主请求流程
function _M.log(conf, ctx)
local function redis_client()
local red = redis_new()
local timeout = 1000 -- 1秒超时
red:set_timeouts(timeout, timeout, timeout)
local sock_opts = {
ssl = conf.ssl,
ssl_verify = conf.ssl_verify
}
local ok, err = red:connect("host.docker.internal", 6379, sock_opts)
if not ok then
return false, err
end
return red, nil
end
local function save_redis()
local redis_cli = redis_client()
redis_cli:set(clientId, bodySession)
redis_cli:expire(clientId, 50)
end
ngx.timer.at(0, save_redis)
end
关键技术点
1. 请求上下文共享
APISIX的ctx对象可以在同一请求的不同阶段和不同插件间共享数据。我们利用这一特性,在body_filter阶段将解析出的SessionID存储在ctx中,然后在log阶段取出使用。
2. 异步Redis操作
使用ngx.timer.at可以将Redis操作异步化,避免阻塞请求处理流程。这种方式虽然不能保证100%的存储成功率(如网关崩溃时可能丢失数据),但对于大多数场景已经足够。
3. 响应体处理
在body_filter阶段,我们需要使用core.response.hold_body_chunk来获取完整的响应体内容。需要注意的是,这个阶段可能被多次调用,因此需要正确处理分块响应。
性能考量
- 连接池管理:Redis连接应该使用连接池,避免频繁创建和销毁连接
- 超时设置:合理设置Redis操作超时,防止长时间阻塞
- 错误处理:完善的错误处理和日志记录机制
- 资源限制:控制并发定时器数量,防止资源耗尽
扩展思考
这种模式不仅适用于Redis存储,还可以扩展到其他场景:
- 将响应数据写入Kafka等消息队列
- 实现响应数据的实时分析
- 构建API调用日志系统
- 实现响应缓存机制
总结
通过APISIX的插件机制,我们成功实现了在不修改后端服务的情况下,对SOAP响应进行解析并存储到Redis的功能。这种方案展示了APISIX在处理复杂API网关需求时的灵活性和强大能力。关键在于合理利用请求上下文共享数据和异步操作机制,既保证了功能实现,又确保了系统性能。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 2023年最新HTMLCSSJS组件库:提升前端开发效率的必备资源 Qt控件CSS样式实例大全 - 打造现代化GUI界面的终极指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
305
2.68 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
635
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
614
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
195
71
仓颉编程语言测试用例。
Cangjie
36
634