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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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