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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00