JeecgBoot多线程调用微服务时的Token传递问题解析
2025-05-02 12:29:58作者:舒璇辛Bertina
问题背景
在JeecgBoot 3.6.0版本的微服务架构中,开发者经常遇到在多线程环境下调用其他微服务时出现的身份认证失败问题。典型场景是:主线程可以正常调用SystemAPI获取用户信息,但当通过线程池异步调用时,相同的接口却返回认证失败。
问题现象
当开发者使用ThreadPoolTaskExecutor创建线程池异步调用systemApi.getUserById()方法时,虽然主线程可以正常获取用户信息,但子线程中的相同调用却会抛出"认证失败"异常。服务端日志显示请求头中缺少必要的Token信息。
根本原因分析
- Token传递机制:JeecgBoot微服务间调用默认通过请求头传递Token进行认证
- 线程上下文隔离:主线程的Token信息存储在ThreadLocal中,无法自动传递到子线程
- Feign拦截器作用域:原有的Feign拦截器只在主线程上下文中生效
解决方案
方案一:手动传递Token
// 在主线程获取Token
String token = RequestContextHolder.currentRequestAttributes()
.getAttribute("token", RequestAttributes.SCOPE_REQUEST).toString();
ThreadPoolTaskExecutor taskExecutor = new ThreadPoolTaskExecutor();
taskExecutor.execute(() -> {
// 在子线程中设置Token
RequestContextHolder.setRequestAttributes(RequestContextHolder.currentRequestAttributes());
LoginUser user = systemApi.getUserById("10076211");
String username = user.getUsername();
});
方案二:自定义线程池配置
@Configuration
public class ThreadPoolConfig {
@Bean
public ThreadPoolTaskExecutor threadPoolTaskExecutor() {
ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor() {
@Override
public void execute(Runnable task) {
// 复制主线程上下文到子线程
RequestAttributes context = RequestContextHolder.currentRequestAttributes();
super.execute(() -> {
try {
RequestContextHolder.setRequestAttributes(context);
task.run();
} finally {
RequestContextHolder.resetRequestAttributes();
}
});
}
};
// 其他线程池配置...
return executor;
}
}
方案三:增强Feign拦截器
public class FeignRequestInterceptor implements RequestInterceptor {
@Override
public void apply(RequestTemplate template) {
// 从当前线程获取Token
String token = (String) RequestContextHolder.currentRequestAttributes()
.getAttribute("token", RequestAttributes.SCOPE_REQUEST);
if (StringUtils.isNotBlank(token)) {
template.header("Authorization", token);
}
}
}
最佳实践建议
- 统一线程管理:建议使用方案二的自定义线程池,统一处理上下文传递问题
- Token有效性检查:在异步调用前检查Token是否即将过期
- 降级处理:为异步调用添加降级逻辑,当认证失败时提供备用方案
- 日志追踪:为异步调用添加TraceID,便于问题排查
总结
JeecgBoot微服务架构中,多线程环境下的服务调用需要特别注意上下文信息的传递问题。通过合理设计线程池或手动传递Token,可以解决异步调用时的认证问题。开发者应根据实际业务场景选择最适合的解决方案,确保系统在并发环境下的稳定运行。
登录后查看全文
热门项目推荐
相关项目推荐
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-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
项目优选
收起
deepin linux kernel
C
24
7
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
479
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
375
3.22 K
Ascend Extension for PyTorch
Python
169
190
暂无简介
Dart
615
140
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
62
19
仓颉编译器源码及 cjdb 调试工具。
C++
126
855
仓颉编程语言测试用例。
Cangjie
36
852
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
258