Anzeige
Anzeige
Anzeige
Anzeige
Lesedauer 3 Min.

Alternativen zu Swagger in ASP.NET 9

In ASP.NET 9 wurde Swagger aus den Templates entfernt. Welche Alternativen es gibt, um interaktiv APIs zu erstellen und zu testen.
In der neuesten Version von ASP.NET, konkret in ASP.NET 9, hat das Entwicklungsteam das Tool Swagger aus den Standardvorlagen entfernt. Diese Entscheidung wurde getroffen, um die eigene Implementierung, die unter dem Microsoft.AspNetCore.OpenApi-Namespace läuft, voranzutreiben und eine Abhängigkeit von Swashbuckle zu vermeiden, das seit einer Weile nicht mehr aktiv gewartet wird. Bei der Erstellung eines neuen Projekts finden Entwickler nun lediglich das Minimalbeispiel, das die Nutzung von OpenAPI zeigt:
builder.Services.AddOpenApi();
var app = builder.Build();

if (app.Environment.IsDevelopment())
{
    app.MapOpenApi();
} 
Das zeigt Steven Giesel in einem Artikel. Mit dieser Konfiguration können Entwickler die OpenAPI-Spezifikation generieren, indem sie einfach zu https://localhost:<port>/openapi/v1.json navigieren. Allerdings müssen sie auf die vertraute interaktive Benutzeroberfläche verzichten, die Swagger bot.Um diese Funktionalität wiederherzustellen, gibt es einige Alternativen. Die einfachste und unmittelbarste Lösung ist die erneute Installation von Swashbuckle. Das Paket wird weiterhin aktiv gewartet und ist wie gewohnt funktional. Nach der Installation fügen Entwickler einfach in ihrer Program.cs-Datei folgenden Code hinzu:
<PackageReference Include="Swashbuckle.AspNetCore" Version="6.7.3" /> 
Für viele Entwickler ist Swagger aufgrund seiner hohen Anpassungsfähigkeit von großer Bedeutung.Eine weitere Alternative stellt NSwag dar, das ebenso in der Lage ist, die Swagger-Benutzeroberfläche bereitzustellen. NSwag bietet zudem die Möglichkeit, TypeScript-Typen automatisch zu erstellen, was für Entwickler, die in modernen Webanwendungen arbeiten, äußerst nützlich sein kann.Zu guter Letzt gibt es das neuere Tool Scalar, das ebenfalls mit .NET integriert werden kann. Scalar bietet eine ansprechende Benutzeroberfläche und kommt mit einem praktischen Onboarding-Guide. Um Scalar in ein ASP.NET-Projekt zu integrieren, installieren die Entwickler das Paket mittels:
dotnet add package Scalar.AspNetCore 
Nachfolgend ist ein Beispielcode für die Program.cs:
builder.Services.AddOpenApi();
var app = builder.Build();
if (app.Environment.IsDevelopment())
{
    app.MapOpenApi();
    app.MapScalarApiReference();
} 
Miscellaneous

Neueste Beiträge

Maschinelles Lernen in .NET - .NET, Python und KI, Teil 2
Für eine performante und plattformübergreifende Inferenz von NET-Projekten empfiehlt sich eine hybride Strategie aus Training oder Prototyping in Scikit-Learn/Python, Export nach ONNX und Einbindung in .NET über ML.NET oder ONNX Runtime.
7 Minuten
Mit SQL Server 2025 HTTP-APIs aufrufen - Neues in SQL Server 2025, Teil 1
API-Aufrufe mit SQL Server 2025 sind kein Spielzeug, sondern ein ernst zu nehmender Integrationsmechanismus.
6 Minuten
Deep Learning in .NET – TensorFlow.NET und TorchSharp - .NET, Python und KI, Teil 3
Mit modernen KI-Frameworks lassen sich Deep-Learning-Modelle direkt in C# entwickeln.
6 Minuten

Das könnte Dich auch interessieren

Python in .NET – Integration mit Python.NET - .NET, Python und KI, Teil 1
Python-Code lässt sich in .NET-Anwendungen mit dem Open-Source-Projekt Python.NET einbinden. Wir erklären die Installation und grundlegende Interop-Szenarien. Ein einfaches Beispiel veranschaulicht die Praxis.
6 Minuten
00:00
Bluetooth, Biometrie und Multiplattform: Was .NET MAUI Hybrid wirklich kann - Die Möglichkeiten von .NET MAUI Blazor Hybrid verstehen
Codrina Merigo baut mit .NET MAUI Blazor Hybrid Apps für Android, iOS, macOS und Windows – und nutzt dafür das, was Web-Entwickler:innen sowieso schon können. Im Interview im Vorfeld der DWX 2026 erklärt sie, wie das geht, wo's hakt und warum das Framework im Enterprise-Umfeld eine ernste Option ist.
28. Apr 2026
Maschinelles Lernen in .NET - .NET, Python und KI, Teil 2
Für eine performante und plattformübergreifende Inferenz von NET-Projekten empfiehlt sich eine hybride Strategie aus Training oder Prototyping in Scikit-Learn/Python, Export nach ONNX und Einbindung in .NET über ML.NET oder ONNX Runtime.
7 Minuten
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige