Hutool项目中ServletUtil对Jakarta Servlet的支持
在Java Web开发领域,随着Jakarta EE逐渐取代Java EE,许多开发者面临着从javax.servlet到jakarta.servlet的迁移问题。Hutool作为一个实用的Java工具库,其ServletUtil工具类在处理客户端IP获取时也遇到了这一兼容性问题。
问题背景
ServletUtil.getClientIP方法原本设计用于获取客户端IP地址,但其参数类型为javax.servlet.http.HttpServletRequest。随着Jakarta EE 9及更高版本的普及,越来越多的项目开始使用jakarta.servlet.http.HttpServletRequest接口,这导致了类型不兼容的问题。
解决方案
Hutool项目团队已经考虑到了这一迁移需求,专门为Jakarta Servlet API提供了对应的工具类JakartaServletUtil。这个类中包含了与ServletUtil功能相同但参数类型为jakarta.servlet.http.HttpServletRequest的方法。
实现原理
JakartaServletUtil中的getClientIP方法实现逻辑与原始ServletUtil保持一致,主要通过以下步骤获取客户端真实IP:
-
检查常见的服务器头信息,包括:
- X-Forwarded-For
- X-Real-IP
- Proxy-Client-IP
- WL-Proxy-Client-IP
- HTTP_CLIENT_IP
- HTTP_X_FORWARDED_FOR
-
如果通过头信息获取到了IP地址,会进行多级IP的解析处理
-
如果没有通过头信息获取到有效IP,则直接使用request.getRemoteAddr()方法获取
使用建议
对于使用Jakarta Servlet API的项目,开发者应该:
- 直接使用JakartaServletUtil类而不是ServletUtil
- 方法签名与原始ServletUtil保持一致,迁移成本低
- 可以通过传入额外的header名称参数来扩展检查的头信息
技术演进
这一变化反映了Java企业级开发的技术演进路线。Jakarta EE作为Java EE的继任者,虽然包名发生了变化,但核心API的设计理念和功能保持了高度一致性。工具库如Hutool通过提供兼容方案,帮助开发者平滑过渡到新技术栈。
总结
Hutool通过JakartaServletUtil类为使用Jakarta Servlet API的项目提供了完整的支持,解决了从javax到jakarta的迁移问题。开发者在使用时只需注意导入正确的工具类,其余业务逻辑代码可以保持不变,这体现了优秀工具库的设计理念——在技术演进中保持接口的稳定性和易用性。
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