Caddy服务器中HTTP头部匹配的案例不敏感处理方案
在Caddy服务器的实际使用过程中,开发人员经常会遇到HTTP头部匹配的需求。特别是在处理WebSocket连接时,需要准确识别包含特定头部的请求。然而,HTTP协议规范明确指出,某些头部字段的值是大小写不敏感的,这就给精确匹配带来了挑战。
以WebSocket连接为例,RFC 9110规范明确规定Connection头部字段的选项是大小写不敏感的。这意味着"Upgrade"、"upgrade"甚至"UPGRADE"都应该被视为等效值。但在Caddy 2.7.6版本中,标准的头部匹配器是区分大小写的,这可能导致某些合法的WebSocket连接请求无法被正确识别。
针对这个问题,Caddy提供了灵活的解决方案。虽然基础的头匹配器(header)是大小写敏感的,但可以通过正则表达式匹配器(header_regexp)来实现不区分大小写的匹配。具体实现方式是使用正则表达式的(?i)内联修饰符,这个修饰符会使其后的模式匹配变为不区分大小写。
以下是一个实用的配置示例:
@ws {
header_regexp Connection (?i).*Upgrade.*
header Upgrade websocket
}
reverse_proxy @ws localhost:6001
这个配置能够可靠地匹配各种大小写变体的Connection头部值,包括"upgrade"、"Upgrade"、"UPGRADE"等所有可能的组合。同时,它仍然保持了对Upgrade头部的精确匹配要求,确保只有真正的WebSocket连接会被转发到指定的后端服务。
对于需要处理多种HTTP客户端实现的场景,这种方案尤为重要。不同的客户端可能会以不同的大小写形式发送相同的头部值,而使用正则表达式匹配器可以确保服务端能够兼容所有这些变体,提高服务的兼容性和可靠性。
值得注意的是,虽然这个解决方案在Caddy 2.7.6版本中已经可用,但在更早的版本中可能不支持header_regexp匹配器。因此,在实际部署前,建议确认所使用的Caddy版本是否包含此功能。
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