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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00