Spring Framework中Jar资源缓存行为变更导致的Zip文件关闭异常分析
背景介绍
在Spring Framework 5.3.x到6.1.x的版本升级过程中,开发者发现了一个关于Jar资源缓存行为的变更,这个变更在某些多线程场景下会导致java.lang.IllegalStateException: zip file closed异常。这个问题特别出现在使用PathMatchingResourcePatternResolver进行类路径资源扫描的场景中。
问题本质
这个问题的根源在于JDK中一个已知的并发问题(JDK-6947916),当多个线程同时访问Jar文件时,如果缓存行为不一致,就可能导致Zip文件被意外关闭。在Spring 5.3.x版本中,框架会显式地将JarURLConnection的useCache标志设置为false,从而避免了这个问题。
然而在Spring 6.1.x版本中,一个优化提交移除了对ResourceUtils.useCachesIfNecessary(jarCon)的调用,这使得Jar连接的缓存行为变得不可控,在多线程环境下就可能触发上述异常。
技术细节分析
PathMatchingResourcePatternResolver是Spring框架中用于扫描类路径资源的核心工具类。在5.3.x版本中,它的实现通过以下方式确保线程安全:
public static void useCachesIfNecessary(URLConnection con) {
con.setUseCaches(con.getClass().getSimpleName().startsWith("JNLP"));
}
这段代码会将非JNLP连接的缓存强制禁用,从而避免了多线程环境下的竞态条件。但在6.1.x版本中,这个保证不复存在,导致在高并发场景下可能出现问题。
解决方案演进
Spring团队针对这个问题提供了两个维度的解决方案:
-
短期修复方案:在6.1.19版本中,为
PathMatchingResourcePatternResolver增加了setUseCaches方法,允许开发者显式控制缓存行为。设置为false可以恢复5.3.x版本的行为。 -
长期建议方案:升级到6.2.x版本,该版本对
PathMatchingResourcePatternResolver进行了重大重构,引入了更完善的内部缓存机制,从根本上改善了资源扫描的性能和稳定性。
最佳实践建议
对于正在从5.3.x迁移的用户,我们建议:
- 如果可能,直接升级到6.2.x最新版本,以获得最佳的性能和稳定性
- 如果必须停留在6.1.x版本线,确保使用6.1.19或更高版本,并考虑设置
setUseCaches(false) - 对于自定义的资源扫描实现,建议评估是否可以迁移到6.2.x的内置缓存机制
总结
这个案例展示了框架底层行为变更可能带来的微妙影响,特别是在并发环境下。Spring团队通过快速响应和提供灵活的配置选项,既保持了框架的演进方向,又确保了向后兼容性。对于开发者而言,这提醒我们在进行框架升级时需要全面评估变更影响,特别是在涉及并发和资源管理的场景下。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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-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
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