Apache Shiro 2.0.0与Spring Boot 3.x集成问题解析
问题背景
在使用Apache Shiro 2.0.0与Spring Boot 3.x集成时,开发者可能会遇到java.lang.NoClassDefFoundError: javax/servlet/Filter的错误。这个问题源于Java EE向Jakarta EE的迁移过程中包名的变更,Spring Boot 3.x已经完全迁移到Jakarta EE规范。
错误原因分析
该错误的根本原因是Spring Boot 3.x使用的是Jakarta EE 9+规范,其中javax.servlet包已被重命名为jakarta.servlet。而如果直接使用未适配的Shiro版本,Shiro仍然会尝试加载旧的javax.servlet相关类,导致类加载失败。
解决方案
Apache Shiro从2.0.0版本开始提供了对Jakarta EE的适配版本,需要通过特定的classifier来使用:
-
必须引入Shiro BOM:首先需要在dependencyManagement中引入Shiro的BOM(Bill of Materials)来管理依赖版本
-
使用jakarta分类器:所有Shiro相关依赖都需要明确指定
jakarta分类器 -
完整依赖配置示例:
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.apache.shiro</groupId>
<artifactId>shiro-bom</artifactId>
<version>2.0.0</version>
<scope>import</scope>
<type>pom</type>
</dependency>
</dependencies>
</dependencyManagement>
<dependencies>
<dependency>
<groupId>org.apache.shiro</groupId>
<artifactId>shiro-spring-boot-web-starter</artifactId>
<classifier>jakarta</classifier>
</dependency>
<!-- 其他Shiro依赖也需要添加jakarta分类器 -->
</dependencies>
技术要点
-
Jakarta EE迁移:Java EE从Oracle转移到Eclipse基金会后,所有javax包名都改为jakarta,这是导致兼容性问题的主要原因。
-
Shiro的适配策略:Shiro通过提供带有不同分类器的构建产物来同时支持javax和jakarta两种规范。
-
BOM的作用:Shiro BOM可以确保所有Shiro相关依赖使用一致的版本,避免版本冲突。
最佳实践建议
-
对于新项目,建议直接使用Spring Boot 3.x + Shiro 2.x(jakarta)组合
-
升级现有项目时,需要全面检查所有相关依赖是否都已适配Jakarta EE
-
在IDE中,可以通过查看依赖树来确认是否正确加载了带有jakarta分类器的Shiro组件
-
如果遇到类似类找不到的问题,首先检查是否所有相关依赖都使用了正确的分类器
通过以上配置和注意事项,开发者可以顺利地在Spring Boot 3.x环境中集成Apache Shiro 2.0.0,并避免javax与jakarta命名空间冲突导致的各种问题。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00