Swashbuckle.AspNetCore 中对 Length 属性的支持实现
背景介绍
在 ASP.NET Core 开发中,Swashbuckle.AspNetCore 是一个广泛使用的库,用于自动生成 API 文档。它能够将 .NET 中的模型验证特性转换为 OpenAPI/Swagger 规范。在数据验证方面,System.ComponentModel.DataAnnotations 命名空间提供了多种验证属性,其中与字符串长度相关的有三个主要属性:MinLength、MaxLength 和 Length。
问题发现
在 .NET 8 之前,开发者只能使用 MinLength 和 MaxLength 两个属性来分别指定字符串的最小和最大长度。而在 .NET 8 中,微软引入了 Length 属性,它能够在一个属性中同时指定最小和最大长度限制。然而,Swashbuckle.AspNetCore 最初并未支持这个新属性。
技术分析
Length 属性与传统的 MinLength/MaxLength 组合在功能上是等效的,但提供了更简洁的语法。例如:
[MinLength(2), MaxLength(10)]
public string Prop1 { get; set; }
[Length(2, 10)]
public string Prop2 { get; set; }
在 Swashbuckle.AspNetCore 6.6.2 版本之前,上述代码生成的 OpenAPI 规范中,Prop1 会正确显示 minLength 和 maxLength 约束,而 Prop2 则完全不会有长度限制的说明。
解决方案实现
随着 Swashbuckle.AspNetCore 升级到支持 .NET 8,开发团队实现了对 Length 属性的支持。实现的核心是一个 SchemaFilter,它会检查模型属性上的 Length 属性,并将其转换为 OpenAPI 规范中的 minLength 和 maxLength 约束。
对于暂时无法升级到 .NET 8 的项目,开发者可以自行实现一个临时的 SchemaFilter:
internal sealed class LengthAttributeSupportSchemaFilter : ISchemaFilter
{
public void Apply(OpenApiSchema schema, SchemaFilterContext context)
{
if (context.MemberInfo is null) return;
var lengthAttributes = context.MemberInfo
.GetInlineAndMetadataAttributes()
.OfType<LengthAttribute>();
foreach (var attr in lengthAttributes)
{
if (schema.Type == "array")
{
schema.MinItems = attr.MinimumLength;
schema.MaxItems = attr.MaximumLength;
}
else
{
schema.MinLength = attr.MinimumLength;
schema.MaxLength = attr.MaximumLength;
}
}
}
}
版本兼容性考虑
需要注意的是,Length 属性是 .NET 8 引入的新特性。在 Swashbuckle.AspNetCore 升级到支持 .NET 8 之前,即使代码中使用了 Length 属性,也无法直接获得支持。这也是为什么在早期版本中需要开发者自行实现 SchemaFilter 的原因。
最佳实践
对于新项目,建议:
- 使用最新版本的 Swashbuckle.AspNetCore
- 优先使用 Length 属性替代 MinLength/MaxLength 组合
- 确保 API 文档生成配置中包含对 Length 属性的支持
对于现有项目升级:
- 先升级到 .NET 8
- 再升级 Swashbuckle.AspNetCore 到 6.6.2 或更高版本
- 逐步将现有的 MinLength/MaxLength 组合替换为 Length 属性
总结
Swashbuckle.AspNetCore 6.6.2 版本正式加入了对 Length 属性的支持,使得 .NET 8 开发者能够更简洁地表达字符串长度约束,并自动生成准确的 API 文档。这一改进体现了 Swashbuckle.AspNetCore 项目对新版 .NET 特性的快速响应能力,也为开发者提供了更优雅的代码编写方式。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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