JeecgBoot项目JAR分离打包优化实践
2025-05-02 14:29:13作者:明树来
背景介绍
在Java企业级应用开发中,Spring Boot应用的打包部署是一个常见需求。JeecgBoot作为一款基于Spring Boot的低代码开发平台,其项目结构通常包含多个模块。在实际生产环境中,我们经常需要对应用进行分离打包,即将依赖库与业务代码分离,以便于部署和更新。
传统分离打包的问题
在JeecgBoot 3.6.3版本中,使用标准的Spring Boot分离打包方式时,所有依赖(包括业务模块生成的jeecg前缀JAR包)都会被提取到外部lib目录中。这种打包方式虽然实现了依赖分离,但在实际运维中会带来以下问题:
- 业务代码更新复杂:每次更新都需要从众多依赖JAR中找出业务相关的JAR进行替换
- 部署包管理困难:难以区分核心依赖和业务代码
- 更新效率低下:需要人工识别哪些JAR需要更新
优化方案设计
针对上述问题,我们可以通过定制Maven打包配置,实现更合理的分离打包策略:
核心思路
- 将第三方依赖与业务代码分离
- 业务模块JAR保留在主JAR包内
- 仅将稳定的第三方依赖提取到外部
具体实现
通过修改pom.xml文件中的spring-boot-maven-plugin配置,可以实现更精细的打包控制:
<plugin>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-maven-plugin</artifactId>
<configuration>
<layout>ZIP</layout>
<includes>
<include>
<groupId>com.jeecg</groupId>
<artifactId>*</artifactId>
</include>
</includes>
</configuration>
</plugin>
这种配置会确保所有com.jeecg组件的业务代码保留在主JAR中,而其他第三方依赖会被提取到外部lib目录。
完整打包配置示例
以下是一个完整的分离打包配置示例,包含了资源文件和依赖的处理:
<plugins>
<!-- Spring Boot打包插件 -->
<plugin>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-maven-plugin</artifactId>
<configuration>
<layout>ZIP</layout>
<includes>
<include>
<groupId>com.jeecg</groupId>
<artifactId>*</artifactId>
</include>
</includes>
</configuration>
</plugin>
<!-- 依赖复制插件 -->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-dependency-plugin</artifactId>
<executions>
<execution>
<id>copy-dependencies</id>
<phase>package</phase>
<goals>
<goal>copy-dependencies</goal>
</goals>
<configuration>
<outputDirectory>${project.build.directory}/lib</outputDirectory>
<excludeGroupIds>com.jeecg</excludeGroupIds>
</configuration>
</execution>
</executions>
</plugin>
<!-- 资源文件处理 -->
<plugin>
<artifactId>maven-resources-plugin</artifactId>
<executions>
<execution>
<id>copy-resources</id>
<phase>package</phase>
<goals>
<goal>copy-resources</goal>
</goals>
<configuration>
<resources>
<resource>
<directory>${project.build.directory}/classes</directory>
<includes>
<include>*.xml</include>
<include>*.yml</include>
<include>jeecg/**</include>
<include>static/**</include>
<include>templates/**</include>
</includes>
</resource>
</resources>
<outputDirectory>${project.build.directory}/config</outputDirectory>
</configuration>
</execution>
</executions>
</plugin>
</plugins>
启动方式
优化后的打包结构启动命令如下:
java -jar -Dfile.encoding=UTF-8 -Dloader.path=lib jeecg-system-start.jar
优势分析
这种优化后的打包方式具有以下优势:
- 更新便捷:业务代码变更只需替换主JAR包即可
- 依赖管理清晰:第三方依赖与业务代码明确分离
- 部署效率高:减少了人工识别和选择JAR包的过程
- 结构合理:符合"稳定依赖与易变代码分离"的设计原则
注意事项
- 确保业务模块的groupId统一使用com.jeecg(或项目自定义的前缀)
- 对于多模块项目,需要确保各子模块的pom配置一致
- 在CI/CD流程中,需要相应调整构建脚本以适应新的打包结构
- 测试阶段需验证所有依赖是否正确加载
总结
通过对JeecgBoot项目打包策略的优化,我们实现了更合理的JAR分离打包方案,解决了业务代码更新不便的问题。这种方案不仅适用于JeecgBoot项目,对于其他基于Spring Boot的多模块企业级应用也具有参考价值。在实际应用中,开发团队可以根据项目具体情况调整打包策略,找到最适合自身项目的部署方案。
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
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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++
660
308
🔥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
64
19
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
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
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
1.19 K
654
仓颉编程语言运行时与标准库。
Cangjie
141
878