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。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00