Spring框架中SseEmitter.onCompletion()回调行为的版本差异分析
2025-04-30 00:26:41作者:伍霜盼Ellen
背景介绍
在Spring框架的Web开发中,SseEmitter是一个用于服务器发送事件(Server-Sent Events)的重要组件。它允许服务器向客户端推送异步事件,广泛应用于实时数据更新、通知推送等场景。其中onCompletion()回调方法用于在事件流完成时执行清理操作或后续处理。
问题现象
在Spring框架6.2.3版本中,当开发者调用emitter.complete()方法时,会立即触发通过onCompletion()注册的回调函数。然而在升级到6.2.5版本后,这一行为发生了变化——complete()方法调用后,onCompletion()回调不再立即执行。
技术分析
这一行为变化源于Spring框架内部对ResponseBodyEmitter类的性能优化。在6.2.0版本中,开发团队通过#33831引入了使用AtomicBoolean替代synchronized方法的优化,目的是提升并发性能。然而这一改动带来了两个副作用:
- 原本用于防止Servlet API不允许的响应并发使用的同步机制被移除
- 对Handler#complete和Handler#completeWithError的调用被意外跳过
在6.2.4版本中,团队尝试通过#34426修复这个问题,但最终发现需要更彻底的解决方案。核心开发人员决定在6.2.x版本中完全回退到性能优化前的行为,确保API的稳定性和一致性。
影响范围
这一行为变化主要影响以下场景:
- 依赖onCompletion()回调立即执行的清理逻辑
- 需要精确控制事件流生命周期的应用
- 从Spring Boot 3.3(基于Spring 6.2.3)升级到3.4(基于6.2.5)的项目
解决方案
对于需要保持原有行为的应用,开发者可以采取以下策略之一:
- 暂时停留在Spring Boot 3.3/Spring 6.2.3版本
- 在调用complete()后手动执行原本放在onCompletion()中的逻辑
- 等待Spring 7.0版本中更完善的解决方案
最佳实践建议
在处理SSE事件流时,建议开发者:
- 不要过度依赖回调的即时性,考虑增加适当的延迟处理
- 对关键资源清理采用多重保障机制
- 在升级框架版本时,充分测试事件流相关功能
- 考虑使用响应式编程模型作为替代方案
未来展望
Spring团队已经意识到这一问题,并计划在7.0版本中重新设计相关机制,既保持API的稳定性,又能实现性能优化。这将为开发者提供更可靠和高效的SSE实现。
通过这次事件,我们可以看到框架演进过程中平衡性能与稳定性的挑战,也提醒开发者在升级版本时需要全面评估变更影响。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5暂无简介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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
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
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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