SpringDoc OpenAPI 中如何动态注册未直接引用的Schema
在基于SpringDoc OpenAPI的项目开发中,我们经常会遇到需要动态注册Schema的需求,特别是那些没有被控制器直接引用的DTO类。本文将详细介绍如何通过编程方式实现这一需求。
问题背景
在实现RESTful API时,我们通常会定义一些通用的错误响应DTO,比如符合RFC 9457标准的ProblemDetail。这些DTO可能不会直接在控制器方法中被引用为返回类型,而是通过OperationCustomizer动态添加到各个操作的响应中。
这种情况下,OpenAPI文档生成器不会自动将这些DTO注册为可用的Schema组件,导致在动态添加响应时出现引用错误。
解决方案
SpringDoc OpenAPI提供了ModelConverters工具类,可以帮助我们手动解析和注册这些Schema。以下是具体实现步骤:
1. 定义DTO类
首先定义一个标准的ProblemDetailDTO类,使用@Schema注解进行描述:
@Schema(
name = "ProblemDetail",
description = "Representation of an RFC 9457 problem detail."
)
data class ProblemDetailDto(
@Schema(
description = "The URI reference that identifies the problem type."
)
val type: URI,
@Schema(
description = "The HTTP status code generated by the origin server.",
minimum = "100",
maximum = "599"
)
val status: Int
)
2. 配置OpenAPI
创建一个配置类,使用ModelConverters手动解析并注册Schema:
@Configuration
class OpenApiConfig {
@Bean
fun modelConverters(): ModelConverters = ModelConverters.getInstance(true)
@Bean
fun openApi(modelConverters: ModelConverters): OpenAPI {
return OpenAPI().apply {
components = Components().apply {
addSchemas(
"ProblemDetail",
modelConverters
.resolveAsResolvedSchema(
AnnotatedType(ProblemDetailDto::class.java)
.resolveAsRef(false)
).schema
)
}
}
}
}
3. 动态添加响应
在OperationCustomizer中,现在可以安全地引用已注册的Schema了:
operation.responses.addApiResponse(
statusCode,
ApiResponse().apply {
description = reasonPhrase
content = Content().addMediaType(
APPLICATION_PROBLEM_JSON_VALUE,
MediaType().schema(
Schema<Any>().apply {
`$ref` = "#/components/schemas/ProblemDetail"
}
)
)
}
)
技术要点
-
ModelConverters:SpringDoc提供的模型转换工具,可以将Java/Kotlin类转换为OpenAPI Schema定义。
-
AnnotatedType:包装目标类类型,可以携带额外的注解信息。
-
resolveAsRef(false):指示解析器不要将结果作为引用返回,而是返回完整的Schema定义。
-
组件注册:通过OpenAPI对象的components属性显式添加Schema定义。
最佳实践
-
对于通用的响应DTO,建议集中在一个配置类中注册。
-
考虑创建自定义注解来标记需要手动注册的DTO类。
-
可以扩展此方案,实现自动扫描特定包下所有标记类并自动注册。
-
在微服务架构中,可以将这些通用Schema定义提取到共享库中。
通过这种方式,我们既保持了代码的整洁性,又确保了OpenAPI文档的完整性,为API消费者提供了准确的接口描述。
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