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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01