JetCache中@Cached注解在接口方法上使用SpEL表达式失效问题解析
2025-06-07 07:23:16作者:管翌锬
问题现象
在使用JetCache框架时,开发者发现当@Cached注解应用于接口方法并配合SpEL表达式作为key时,缓存功能会失效。具体表现为:
- 当注解定义在接口方法上,并且使用了形如
key = "#userId"的SpEL表达式时,每次调用都会穿透缓存直接访问方法体 - 同样的注解配置如果移动到实现类方法上,则缓存功能正常工作
- 如果在接口方法上不使用SpEL表达式,仅使用默认key生成策略,缓存也能正常工作
根本原因
经过分析,这个问题与Java编译参数密切相关。当使用SpEL表达式引用方法参数时(如#userId),JetCache需要能够获取方法的参数名称信息。而Java编译器默认不会保留方法参数名称,除非显式指定-parameters编译选项。
在接口和实现类表现不同的原因可能是:
- 接口和实现类可能使用了不同的编译设置
- IDE(如IntelliJ IDEA)可能对实现类有特殊处理,默认保留了参数名称信息
- 项目构建工具(如Maven/Gradle)可能对接口和实现类应用了不同的编译配置
解决方案
要解决这个问题,需要确保编译时保留了方法参数名称信息。具体方法如下:
1. 使用-parameters编译选项
在Java编译时添加-parameters参数,这会保留方法参数名称信息。不同构建工具的配置方式:
Maven配置:
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<compilerArgs>
<arg>-parameters</arg>
</compilerArgs>
</configuration>
</plugin>
Gradle配置:
tasks.withType(JavaCompile) {
options.compilerArgs << '-parameters'
}
2. 统一编译环境
确保接口和实现类使用相同的编译设置,避免因编译环境不一致导致的行为差异。
3. 替代方案
如果无法修改编译参数,可以考虑:
- 将
@Cached注解移动到实现类方法上 - 使用参数索引代替参数名称(如
#p0表示第一个参数) - 使用默认的key生成策略,不自定义SpEL表达式
最佳实践
- 统一编译配置:项目中的所有Java类应使用相同的编译参数,特别是涉及AOP和注解处理的场景
- 参数命名规范:保持接口和实现类的方法参数名称一致
- 编译参数检查:在CI/CD流程中加入检查,确保编译参数正确设置
- 测试验证:添加缓存功能的单元测试,验证不同场景下的缓存行为
技术背景
Java 8引入了-parameters编译选项,允许编译器将方法参数名称信息保留在class文件中。这对于依赖参数名称的框架(如Spring、JetCache等)非常重要。当没有这个信息时,框架只能通过参数索引访问参数,而无法通过参数名称进行匹配。
JetCache在处理@Cached注解时,会解析SpEL表达式中的参数引用。如果无法获取参数名称信息,表达式解析就会失败,导致缓存功能失效。这就是为什么在接口方法上使用SpEL表达式时需要特别注意编译参数的原因。
总结
JetCache作为阿里巴巴开源的缓存框架,提供了强大的注解驱动缓存功能。在使用@Cached注解时,特别是当注解应用于接口方法并配合SpEL表达式时,务必确保编译时保留了方法参数名称信息。通过正确配置-parameters编译选项,可以避免这类问题的发生,确保缓存功能按预期工作。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
410
3.16 K
Ascend Extension for PyTorch
Python
227
254
暂无简介
Dart
674
160
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++
664
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
React Native鸿蒙化仓库
JavaScript
264
326
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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868