Apache Shiro与Spring Boot 3集成中的Filter类缺失问题解析
问题背景
在Java企业级应用开发中,Apache Shiro作为一个强大且易用的安全框架,经常被用于处理认证、授权等安全需求。当开发者尝试将Shiro 2.0.0版本与Spring Boot 3.x集成时,可能会遇到一个常见的启动错误:"java.lang.NoClassDefFoundError: javax/servlet/Filter"。
错误现象
当使用Spring Boot 3.2.3与Shiro 2.0.0集成时,应用启动失败并抛出以下关键异常:
Caused by: java.lang.NoClassDefFoundError: javax/servlet/Filter
Caused by: java.lang.ClassNotFoundException: javax.servlet.Filter
根本原因
这个问题的根源在于Java EE到Jakarta EE的命名空间迁移。Spring Boot 3.x基于Jakarta EE 9+,而传统的Shiro依赖默认使用的是javax.servlet包路径。具体来说:
- Spring Boot 3.x使用Jakarta命名空间(jakarta.servlet)
- 传统Shiro依赖使用Java EE命名空间(javax.servlet)
- 两者命名空间不兼容导致类加载失败
解决方案
要解决这个问题,需要使用Shiro专门为Jakarta EE准备的适配版本。以下是正确的依赖配置方式:
1. 引入Shiro BOM管理
首先需要在dependencyManagement中引入Shiro的BOM(物料清单)来统一管理版本:
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.apache.shiro</groupId>
<artifactId>shiro-bom</artifactId>
<version>2.0.0</version>
<scope>import</scope>
<type>pom</type>
</dependency>
</dependencies>
</dependencyManagement>
2. 添加Jakarta适配的Shiro依赖
然后添加具体的Shiro依赖,注意必须使用jakarta分类器:
<dependencies>
<dependency>
<groupId>org.apache.shiro</groupId>
<artifactId>shiro-spring-boot-web-starter</artifactId>
<classifier>jakarta</classifier>
</dependency>
<!-- 其他可能需要的基础依赖 -->
<dependency>
<groupId>org.apache.shiro</groupId>
<artifactId>shiro-web</artifactId>
<classifier>jakarta</classifier>
</dependency>
<dependency>
<groupId>org.apache.shiro</groupId>
<artifactId>shiro-spring</artifactId>
<classifier>jakarta</classifier>
</dependency>
</dependencies>
技术原理
这种解决方案背后的技术原理是:
-
分类器(Classifier)机制:Maven允许同一个artifactId发布多个变体,通过classifier区分。Shiro为适应Jakarta EE提供了专门的构建版本。
-
BOM管理:使用shiro-bom可以确保所有Shiro相关依赖版本一致,避免潜在的兼容性问题。
-
命名空间转换:Jakarta适配版本内部已经将所有javax.servlet引用转换为jakarta.servlet,与Spring Boot 3.x保持一致。
最佳实践建议
-
版本一致性:确保所有Shiro相关依赖使用相同版本号。
-
最小依赖原则:只引入实际需要的Shiro模块,例如如果只需要Web支持,可以只引入shiro-spring-boot-web-starter。
-
环境检查:确认项目确实基于Spring Boot 3.x+,因为Spring Boot 2.x不需要这种特殊处理。
-
IDE清理:在修改依赖后,建议执行Maven的clean和update操作,确保IDE正确识别依赖变更。
总结
Apache Shiro与Spring Boot 3.x集成时出现的Filter类缺失问题,本质上是Java EE向Jakarta EE演进过程中的兼容性问题。通过使用正确的依赖配置方式,特别是注意jakarta分类器的使用,可以顺利解决这一问题。理解这一技术背景不仅有助于解决当前问题,也为未来处理类似的技术迁移提供了参考思路。
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