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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00