JeecgBoot项目Docker打包失败原因分析与解决方案
问题背景
在使用JeecgBoot开源项目进行Docker打包时,开发者在Ubuntu 24系统环境下遇到了构建失败的问题。项目采用Java 8开发,数据库使用Oracle,Redis未使用Docker镜像。
错误现象
执行docker-compose up -d命令后,系统报出以下关键错误信息:
failed to solve: failed to compute cache key: failed to calculate checksum of ref e6c37338-c0a0-437a-9bef-e8594f9a3acf::urjji7l5s6u0fvny6jtaycd8w: "/target/jeecg-system-start-3.7.0.jar": not found
根本原因分析
-
缺少Maven构建工具:JeecgBoot是一个基于Java的Spring Boot项目,需要先通过Maven进行编译打包,生成可执行的JAR文件后才能进行Docker镜像构建。
-
Docker构建流程问题:Dockerfile中直接引用了
./target/jeecg-system-start-3.7.0.jar文件,但在没有Maven构建的情况下,该文件不存在。 -
版本兼容性问题:虽然这不是导致本次错误的主要原因,但需要注意Docker Compose文件中的
version: '2'已被标记为过时,建议更新。
解决方案
完整构建步骤
-
安装必要工具
sudo apt-get install maven -
使用Maven编译项目
mvn clean package -
验证构建结果 检查
target目录下是否生成了jeecg-system-start-3.7.0.jar文件 -
执行Docker构建
docker-compose up -d
优化建议
-
更新Docker Compose配置:移除过时的version声明
services: jeecg-boot-system: build: context: ./jeecg-module-system/jeecg-system-start dockerfile: Dockerfile restart: on-failure container_name: jeecg-boot-system image: jeecg-boot-system hostname: jeecg-boot-system ports: - 8080:2222 networks: - jeecg-boot networks: jeecg-boot: name: jeecg_boot -
考虑使用多阶段构建:可以修改Dockerfile,将Maven构建和Docker构建整合在一起
技术原理
Java项目的Docker化通常需要两个阶段:
- 编译阶段:使用Maven或Gradle等构建工具将源代码编译打包成可执行的JAR/WAR文件
- 容器化阶段:将生成的构建产物打包到Docker镜像中
JeecgBoot作为典型的Spring Boot项目,遵循这一标准流程。直接跳过编译阶段会导致Docker构建时找不到必要的构建产物,从而出现上述错误。
总结
对于Java项目的Docker化部署,必须确保先完成项目的编译打包过程。JeecgBoot作为Maven项目,需要先通过mvn package命令生成JAR文件,才能进行后续的Docker镜像构建。这一流程是Java项目容器化的标准实践,理解这一点可以避免类似的构建失败问题。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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-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- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00