解决JeecgBoot项目Docker打包失败问题
背景介绍
在使用JeecgBoot开源项目进行Docker容器化部署时,很多开发者会遇到打包失败的问题。本文将以一个典型错误案例为基础,详细分析问题原因并提供完整的解决方案。
问题现象
开发者在Ubuntu 24系统环境下,使用JDK 1.8和Git 2.43,尝试通过Docker Compose对JeecgBoot项目进行容器化打包时遇到了构建失败。错误信息显示系统无法找到目标jar文件/target/jeecg-system-start-3.7.0.jar。
根本原因分析
-
缺少Maven构建工具:JeecgBoot是一个基于Java的Spring Boot项目,必须通过Maven或Gradle进行项目构建后才能生成可执行的jar包。错误信息中明确显示系统没有安装Maven。
-
构建顺序错误:Docker构建过程直接尝试复制目标jar文件,但在此之前没有执行Maven构建步骤,导致目标文件不存在。
-
Dockerfile配置问题:Dockerfile中直接引用了未生成的jar文件路径,而没有包含构建步骤。
完整解决方案
1. 安装必要工具
首先需要安装项目构建所需的工具链:
# 安装Maven
sudo apt-get install maven
2. 项目构建流程
正确的项目构建应该遵循以下顺序:
- 克隆项目代码
- 使用Maven构建项目
- 执行Docker构建
# 克隆项目
git clone <项目仓库地址>
# 进入项目目录
cd jeecg-boot
# 使用Maven构建项目
mvn clean package
3. 修改Docker配置
建议对Docker配置进行以下优化:
# 使用多阶段构建
FROM maven:3.6.3-jdk-8 AS build
WORKDIR /app
COPY . .
RUN mvn clean package
FROM anapsix/alpine-java:8_server-jre_unlimited
COPY --from=build /app/jeecg-module-system/jeecg-system-start/target/jeecg-system-start-*.jar /jeecg-boot/jeecg-system-start.jar
WORKDIR /jeecg-boot
EXPOSE 2222
ENTRYPOINT ["java", "-jar", "jeecg-system-start.jar"]
4. 优化docker-compose.yml
services:
jeecg-boot-system:
build: .
restart: on-failure
container_name: jeecg-boot-system
ports:
- 8080:2222
networks:
- jeecg_boot
networks:
jeecg_boot:
driver: bridge
最佳实践建议
-
使用CI/CD流程:建议将构建和部署过程集成到CI/CD流水线中,确保每次代码变更都能自动构建和测试。
-
版本管理:在Docker构建过程中使用明确的版本标签,避免使用latest标签。
-
资源优化:对于Java应用,可以添加JVM参数优化内存使用:
ENTRYPOINT ["java", "-Xms256m", "-Xmx512m", "-jar", "jeecg-system-start.jar"] -
健康检查:在docker-compose中添加健康检查:
healthcheck: test: ["CMD", "curl", "-f", "http://localhost:2222/actuator/health"] interval: 30s timeout: 10s retries: 3
总结
JeecgBoot项目的Docker化部署需要遵循正确的构建顺序,先使用Maven构建项目生成可执行jar,再进行Docker镜像构建。通过本文提供的解决方案和最佳实践,开发者可以顺利完成项目的容器化部署,并为生产环境做好准备。
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