Apache Fury项目中的JPMS模块化支持实践
引言
随着Java平台模块系统(JPMS)的普及,越来越多的Java项目开始考虑模块化支持。Apache Fury作为一个高性能的序列化框架,近期也面临了如何优雅支持JPMS的需求。本文将深入探讨Fury项目在模块化支持方面的技术决策和实践经验。
JPMS模块化的必要性
在Java 9引入模块系统后,未声明模块名称的JAR文件会被视为自动模块(automatic modules),这会导致构建时出现警告信息。对于像Fury这样的库项目来说,明确声明模块名称不仅能消除这些警告,还能为未来的完全模块化做好准备。
模块化方案选择
Fury项目团队经过评估,确定了两个可行的模块化路径:
-
最小化方案:通过在MANIFEST.MF中添加Automatic-Module-Name条目来声明模块名称。这种方式简单易行,不影响现有构建流程,且完全向后兼容。
-
完整模块化:提供完整的module-info.java描述符。这需要更复杂的构建配置,可能涉及多版本JAR或双阶段编译,但能提供完全的模块化支持。
实施细节
Fury项目最终选择了最小化方案作为第一步,主要考虑因素包括:
- 部分依赖(如Arrow)尚未发布JPMS支持版本
- 需要保持对Java 8的长期支持
- 简单性优先,逐步演进
模块命名采用了"org.apache.fury.core"、"org.apache.fury.format"等直观的层级命名方式,既保持了与项目结构的一致性,又符合Java模块命名规范。
未来展望
虽然当前采用了最小化方案,但团队已经规划了完整的模块化路线图。未来可能采用的完整模块化方案有两种主要实现方式:
-
双阶段编译:先以Java 9+编译module-info.java,再用Java 8编译其余代码。这种方式的优点是IDE支持良好,缺点是会混入Java 9+编译的类文件。
-
多版本JAR:将module-info.java放在单独的源目录中,构建为多版本JAR。这种方式更规范,但会带来测试流程的复杂性。
经验分享
从技术实践来看,模块化过程中需要注意几个关键点:
- 依赖项的模块化状态会直接影响项目的模块化策略
- 测试流程需要相应调整,特别是涉及服务加载(uses/provides)的情况
- 构建工具(Maven/Gradle)的配置需要精心设计以支持多版本编译
结语
Apache Fury的模块化实践展示了一个成熟项目如何逐步拥抱JPMS。从简单的模块名称声明开始,到规划完整的模块化支持,这种渐进式演进策略既保证了当前版本的稳定性,又为未来发展奠定了基础。对于其他类似项目而言,Fury的经验提供了有价值的参考。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









