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。
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