JEECG Boot项目Docker打包失败问题分析与解决方案
问题背景
在使用JEECG Boot开源项目进行Docker容器化部署时,开发人员遇到了打包失败的问题。系统环境为Ubuntu 24,JDK 1.8,Git 2.43,但没有安装Maven构建工具。Docker版本为28,数据库采用Oracle和Redis,但均未使用Docker镜像。
错误现象
执行docker-compose up -d命令时,系统报错显示无法找到/target/jeecg-system-start-3.7.0.jar文件。错误信息明确指出构建过程中计算缓存键失败,原因是目标JAR文件不存在。
根本原因分析
-
Maven构建缺失:JEECG Boot是一个基于Java的Spring Boot项目,标准的构建流程需要先通过Maven编译打包生成可执行的JAR文件。在没有Maven的情况下直接尝试Docker构建,自然无法找到所需的JAR文件。
-
Docker构建流程误解:Dockerfile中的
ADD指令试图直接从项目目录的target文件夹获取JAR文件,但该文件尚未生成。正确的流程应该是先构建项目,再执行Docker镜像构建。 -
版本兼容性问题:虽然报错信息中提到了
version属性已过时的警告,但这并非导致构建失败的主要原因,只是Docker Compose版本兼容性的一个小提示。
解决方案
完整构建流程
-
安装Maven:首先需要在构建环境中安装Maven构建工具。可以通过包管理器安装:
sudo apt-get install maven -
项目编译打包:在项目根目录执行Maven构建命令:
mvn clean package -
验证构建结果:确保target目录下生成了正确的JAR文件,文件名应与Dockerfile中指定的名称一致。
-
执行Docker构建:在确认JAR文件存在后,再执行Docker构建命令:
docker-compose up -d
Dockerfile优化建议
为避免类似问题,可以在Dockerfile中添加构建阶段,实现从源代码到最终镜像的一体化构建:
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"]
经验总结
-
理解构建流程:容器化部署Java应用时,必须清楚区分开发构建阶段和容器打包阶段。
-
环境准备:确保构建环境中安装了所有必要的工具链,特别是像Maven这样的构建工具。
-
错误排查:当Docker构建失败时,首先检查前置条件是否满足,如依赖文件是否存在、路径是否正确等。
-
多阶段构建:对于复杂的项目,考虑使用Docker的多阶段构建功能,可以简化部署流程并减少最终镜像大小。
通过遵循正确的构建流程和上述建议,可以避免类似JEECG Boot项目Docker打包失败的问题,实现顺利的容器化部署。
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