在springdoc-openapi中自定义端点描述以展示权限信息
概述
在现代API开发中,权限控制是一个关键的安全特性。开发者通常会在API端点方法上使用自定义注解来声明所需的权限。本文将介绍如何在springdoc-openapi项目中,将这些权限信息自动集成到生成的OpenAPI文档中,使API消费者能够清晰地了解每个端点所需的权限。
背景知识
springdoc-openapi是一个流行的Java库,它能够自动从Spring Boot应用中生成OpenAPI 3.0规范文档。默认情况下,它会扫描Spring MVC控制器并生成相应的API文档,包括路径、参数、响应等信息。
在实际开发中,我们经常使用自定义注解来标记API端点所需的权限,例如:
@GetMapping("/{branchId}")
@Permission(PermissionType.P_BRANCH_R)
public Branch getBranch(@PathVariable BranchId branchId) {
return branchService.getBranch(branchId);
}
解决方案
springdoc-openapi提供了强大的扩展机制,允许开发者自定义生成的OpenAPI文档。我们可以利用GlobalOperationCustomizer接口来增强操作(operation)的描述信息,将权限注解的内容包含进去。
实现步骤
-
创建自定义配置类:在Spring配置中定义一个bean,实现
GlobalOperationCustomizer接口。 -
处理权限注解:在自定义逻辑中检查方法上的
@Permission注解。 -
增强描述信息:将权限信息添加到操作描述中,同时保留原有的描述内容。
以下是完整的实现代码:
@Bean
public GlobalOperationCustomizer operationCustomizer() {
return (operation, handlerMethod) -> {
Optional.ofNullable(handlerMethod.getMethodAnnotation(Permission.class))
.ifPresent(permissionAnnotation -> {
operation.setDescription(
Optional.ofNullable(operation.getDescription())
.map(description -> description + "\n\n")
.orElse("")
+ "Permission required: "
+ permissionAnnotation.value().name());
});
return operation;
};
}
代码解析
-
GlobalOperationCustomizer:这是springdoc-openapi提供的接口,允许我们对每个API操作进行自定义处理。
-
handlerMethod:提供了对控制器方法的访问,我们可以从中获取方法上的注解。
-
Optional处理:使用Java 8的Optional来优雅地处理可能为null的描述字段。
-
描述拼接:新添加的权限信息会追加到原有描述之后,两者之间用两个换行符分隔,确保格式清晰。
效果展示
应用上述配置后,生成的OpenAPI文档将包含权限信息。例如,对于前面提到的getBranch端点,文档可能如下所示:
{
"paths": {
"/api/branches/{branchId}": {
"get": {
"description": "获取指定ID的分支信息\n\nPermission required: P_BRANCH_R",
// 其他字段...
}
}
}
}
进阶应用
这种技术不仅限于权限信息的展示,还可以扩展到其他类型的元数据:
- 审计信息:添加端点创建者或最后修改时间
- 业务分类:标记端点所属的业务领域
- 性能提示:添加预期的响应时间或吞吐量信息
- 多语言支持:根据请求头中的Accept-Language提供不同语言的描述
最佳实践
- 保持一致性:确保所有端点的权限信息都采用相同的格式展示
- 避免信息过载:只添加真正对API消费者有价值的信息
- 考虑安全性:确保公开的文档不会泄露敏感信息
- 自动化测试:验证生成的文档确实包含了预期的权限信息
总结
通过在springdoc-openapi中自定义操作描述,我们能够将重要的权限信息自动集成到API文档中。这种方法不仅提高了文档的实用性,还确保了权限信息的准确性和一致性,减少了手动维护文档的工作量。这种技术可以广泛应用于各种需要向API消费者传达额外元数据的场景,是构建高质量API文档的有力工具。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00