Django-Storages中Azure存储自定义域名问题的解决方案
问题背景
在使用Django-Storages与Azure Blob存储集成时,开发人员经常会遇到自定义域名配置的问题。当尝试在Django项目中使用自定义域名而非Azure默认的blob.core.windows.net域名时,系统在生成SAS令牌和URL时会遇到异常。
核心问题分析
问题的根本原因在于Azure存储服务的一个限制:SAS令牌必须使用标准的Azure存储账户域名(*.blob.core.windows.net)生成,而不能直接使用自定义域名。然而,Django-Storages的Azure后端在处理自定义域名时,会将所有请求(包括SAS令牌生成)都转向自定义域名,这导致了请求失败。
技术细节
-
SAS令牌生成机制:Azure要求SAS令牌必须通过标准域名生成,这是其安全模型的一部分。自定义域名主要用于前端展示和访问,不能用于后端认证操作。
-
Django-Storages的实现:当前实现中,当配置了
AZURE_CUSTOM_DOMAIN时,系统会创建一个"custom service client",所有操作都通过这个客户端进行,包括获取用户委托密钥和生成SAS令牌。 -
冲突点:当尝试通过自定义域名获取用户委托密钥时,Azure服务会拒绝请求,导致
get_user_delegation_key()方法抛出异常。
解决方案
经过社区讨论和测试,确定了以下解决方案:
-
分离域名使用:
- 使用标准域名(
*.blob.core.windows.net)进行所有后端操作,包括SAS令牌生成 - 仅在最终生成的URL中将域名替换为自定义域名
- 使用标准域名(
-
代码修改:
- 移除对"custom service client"的依赖
- 在URL生成阶段进行域名替换
关键修改点包括:
# 使用标准服务客户端获取用户委托密钥
self._user_delegation_key = self.service_client.get_user_delegation_key(
key_start_time=now, key_expiry_time=key_expiry_time
)
# 在生成URL时处理自定义域名
if self.custom_domain:
parsed_url = urlparse(container_blob_url)
new_netloc = self.custom_domain
container_blob_url = urlunparse(parsed_url._replace(netloc=new_netloc))
实现效果
这一修改带来了以下改进:
- 功能完整性:现在可以正常使用自定义域名,同时保持所有SAS令牌生成功能
- 兼容性:不影响现有代码中对
url属性的使用 - 安全性:仍然遵循Azure的安全最佳实践
最佳实践建议
-
配置建议:
- 同时设置
AZURE_ACCOUNT_NAME和AZURE_CUSTOM_DOMAIN - 确保自定义域名已正确配置CNAME记录指向Azure Blob存储
- 同时设置
-
权限设置:
- 确保使用的身份(如Managed Identity)具有"Storage Blob Delegator"角色
- 这是生成用户委托密钥所必需的
-
测试验证:
- 测试文件上传和下载功能
- 验证生成的URL格式是否正确
- 检查SAS令牌的有效期是否符合预期
总结
通过理解Azure存储服务的工作原理和Django-Storages的实现机制,我们找到了一个既保持功能完整又符合安全要求的解决方案。这一改进使得开发者能够更灵活地使用自定义域名,同时不影响系统的核心功能。对于需要在Django项目中使用Azure Blob存储并配置自定义域名的开发者来说,这一解决方案提供了可靠的技术支持。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00