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。
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-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