QueryDSL 5.1.0 生成代码时使用Jakarta注解的解决方案
在使用QueryDSL 5.1.0版本时,开发者可能会遇到一个关于代码生成注解的问题。当项目从Javax迁移到Jakarta EE后,QueryDSL生成的Q类仍然使用了javax.annotation.Generated或javax.annotation.processing.Generated注解,而不是预期的jakarta.annotation.Generated注解。
问题背景
QueryDSL是一个流行的Java查询框架,它通过APT(Annotation Processing Tool)在编译时生成查询相关的元模型类(Q类)。在Java EE向Jakarta EE迁移的过程中,许多注解的包名从javax变更为jakarta,这包括常用的@Generated注解。
问题分析
默认情况下,QueryDSL的代码生成器会优先使用javax.annotation.processing.Generated,其次是javax.annotation.Generated。即使在项目中使用了带有jakarta分类器的QueryDSL依赖(querydsl-jpa和querydsl-apt),这个默认行为也不会自动改变。
解决方案
要强制QueryDSL使用jakarta.annotation.Generated注解生成代码,可以通过以下配置实现:
- 在Maven项目的pom.xml中,配置maven-compiler-plugin插件:
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<compilerArgs>
<arg>-Aquerydsl.generatedAnnotationClass=jakarta.annotation.Generated</arg>
</compilerArgs>
</configuration>
</plugin>
- 对于Gradle项目,可以在build.gradle中配置:
tasks.withType(JavaCompile) {
options.compilerArgs << "-Aquerydsl.generatedAnnotationClass=jakarta.annotation.Generated"
}
技术原理
这个解决方案利用了Java注解处理器(Annotation Processor)的选项传递机制。QueryDSL的APT处理器会读取名为"querydsl.generatedAnnotationClass"的处理器选项,开发者可以通过编译器参数来设置这个选项值。
在QueryDSL内部,GeneratedAnnotationResolver类负责解析应该使用的Generated注解类。虽然当前版本中javax注解的优先级高于jakarta,但通过显式配置可以绕过这个默认行为。
最佳实践建议
- 对于新项目,建议从一开始就配置使用jakarta.annotation.Generated
- 迁移项目时,除了配置QueryDSL外,还应确保项目中移除了所有javax.annotation的依赖
- 考虑在团队内部文档中记录这个配置,方便新成员快速上手
- 如果使用IDE进行开发,确保IDE的编译配置也包含了相同的参数
未来展望
随着Jakarta EE的普及,未来版本的QueryDSL很可能会调整默认行为,优先使用jakarta.annotation.Generated。但在当前版本中,显式配置仍然是最可靠的解决方案。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
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Python00
HunyuanVideo-1.5暂无简介00
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
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
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