SOFA-ARK 插件新增依赖包含能力优化模块瘦身方案
2025-07-10 12:49:21作者:田桥桑Industrious
SOFA-ARK 作为一款优秀的 Java 模块化开发框架,其 maven 插件 sofa-ark-maven-plugin 在模块瘦身方面一直提供着强大的支持。近期社区针对插件功能进行了重要增强,新增了 includeGroupIds 和 includeArtifactIds 配置项,为模块依赖管理提供了更灵活的解决方案。
背景与痛点
在微服务架构下,多个业务模块合并部署至基座时,各模块间的依赖管理面临挑战。虽然大部分基础依赖相同,但每个模块都可能存在少量特有依赖。传统使用 rules.txt、rules.properties 或 rules.yml 进行瘦身配置的方式存在以下问题:
- 每个模块需要单独配置,导致大量重复内容
- 开发人员需要不断排查依赖树,工作量大
- 配置维护成本高,容易出错
新特性解析
新版本插件新增了两项重要配置:
- includeGroupIds:指定需要包含的 groupId 模式
- includeArtifactIds:指定需要包含的 artifactId 模式
这些配置项与原有的 excludeGroupIds 和 excludeArtifactIds 形成互补,为依赖管理提供了更完整的解决方案。
使用场景示例
假设某业务模块需要保留 com.xxxx 组下的所有依赖,同时排除其他所有依赖,可以这样配置:
<plugin>
<groupId>com.alipay.sofa</groupId>
<artifactId>sofa-ark-maven-plugin</artifactId>
<configuration>
<excludeGroupIds>*</excludeGroupIds>
<includeGroupIds>com.xxxx*</includeGroupIds>
</configuration>
</plugin>
这种配置方式相比传统方法具有以下优势:
- 配置简化:无需为每个模块编写大量排除规则
- 维护方便:集中管理包含规则,修改一处即可影响所有模块
- 问题定位快:运行时出现类找不到异常时,能快速判断类库应放在模块还是基座
技术实现原理
在插件内部,新的包含规则会与排除规则共同作用:
- 首先应用包含规则,标记需要保留的依赖
- 然后应用排除规则,进一步过滤不需要的依赖
- 最终形成模块的依赖集合
这种处理顺序确保了包含规则具有更高优先级,符合开发者的预期。
最佳实践建议
- 基座与模块分工:将通用依赖下沉到基座,模块只保留特有依赖
- 模式匹配使用:合理使用 * 通配符简化配置
- 渐进式调整:可以先配置严格包含规则,再根据运行情况逐步调整
- 依赖分析:配合 mvn dependency:tree 命令分析依赖关系
未来展望
虽然当前版本已经解决了大部分需求,但社区仍在持续优化瘦身方案。未来的发展方向可能包括:
- 全局黑名单配置支持
- 更智能的依赖分析工具
- 可视化依赖管理界面
- 基于使用情况的自动瘦身建议
这项功能的加入显著提升了 SOFA-ARK 在复杂微服务场景下的模块管理能力,为开发者提供了更高效、更灵活的依赖控制手段。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137