NSwag中Minimal API分组配置的正确方式
2025-05-31 19:38:45作者:段琳惟
在使用NSwag为ASP.NET Core Minimal API生成OpenAPI/Swagger文档时,许多开发者会遇到API端点分组显示不符合预期的问题。本文将详细介绍如何正确配置Minimal API的分组,使其在Swagger UI中按预期显示。
常见错误配置
开发者通常会尝试使用WithGroupName()方法来分组API端点,例如:
var group = app.MapGroup("jobs");
group = group.WithGroupName("MyJob");
group.MapGet("MyJob",...).WithGroupName("MyJob");
然而,这种配置方式在NSwag生成的Swagger UI中往往无法实现预期的分组效果,所有端点仍然会显示在默认分组中。
正确配置方法
实际上,NSwag主要依赖WithTags()方法而非WithGroupName()来实现API分组。正确的配置方式如下:
var group = app.MapGroup("jobs")
.WithTags("MyJob");
group.MapGet("MyJob",...);
group.MapPost("MyJob",...);
group.MapDelete("MyJob",...);
app.MapGet("/jobs/TestJob", ...).WithTags("TestJob");
app.MapPost("/jobs/TestJob",...).WithTags("TestJob");
分组原理
-
标签(Tags)的作用:在OpenAPI规范中,标签(Tags)是主要的API分组机制。NSwag会将这些标签转换为Swagger UI中的分组。
-
层级关系:使用
MapGroup创建的路由组可以统一设置标签,组内所有端点会自动继承这个标签。 -
单独端点配置:对于不在组内的独立端点,可以直接使用
WithTags()方法为其指定分组标签。
最佳实践
-
对于相关功能集的API端点,优先使用
MapGroup进行统一分组管理 -
在组级别使用
WithTags()设置分组名称,避免在每个端点重复设置 -
确保分组名称具有明确的业务含义,便于API使用者理解
-
对于跨多个分组的端点,可以传递多个标签名称:
.WithTags("Group1", "Group2")
通过正确使用WithTags()方法,开发者可以轻松实现Minimal API在Swagger UI中的清晰分组展示,提升API文档的可读性和易用性。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
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
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1