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。
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