Sa-Token框架集成Freemarker模板引擎的实践指南
2025-05-12 20:45:33作者:史锋燃Gardner
背景介绍
在现代Java Web开发中,权限认证框架Sa-Token与模板引擎的集成是常见需求。虽然官方文档主要展示了与Thymeleaf的集成方案,但实际项目中Freemarker作为老牌模板引擎仍被广泛使用。本文将深入探讨如何在Sa-Token框架中实现与Freemarker的无缝集成。
核心问题分析
传统Freemarker模板中访问Session对象通常采用Session["key"]语法,但在Sa-Token框架中需要特殊处理才能正确获取到框架管理的会话数据。这是因为Sa-Token采用了自身的会话管理机制,与传统Servlet Session存在差异。
集成方案实现
1. 基础环境配置
首先确保项目中已包含必要依赖:
<!-- Sa-Token核心 -->
<dependency>
<groupId>cn.dev33</groupId>
<artifactId>sa-token-spring-boot-starter</artifactId>
<version>最新版本</version>
</dependency>
<!-- Freemarker -->
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-freemarker</artifactId>
</dependency>
2. 自定义Freemarker指令
创建扩展指令来访问Sa-Token会话:
public class SaTokenFreemarkerDirective implements TemplateDirectiveModel {
@Override
public void execute(Environment env, Map params,
TemplateModel[] loopVars,
TemplateDirectiveBody body) throws TemplateException {
String key = params.get("key").toString();
Object value = StpUtil.getSession().get(key);
if(value != null) {
env.setVariable("result", ObjectWrapper.DEFAULT_WRAPPER.wrap(value));
}
if(body != null) {
body.render(env.getOut());
}
}
}
3. 配置Freemarker共享变量
在Spring Boot配置类中注册自定义指令:
@Configuration
public class FreemarkerConfig {
@Autowired
private freemarker.template.Configuration configuration;
@PostConstruct
public void setSharedVariable() throws TemplateModelException {
configuration.setSharedVariable("saSession", new SaTokenFreemarkerDirective());
}
}
模板中使用示例
改造后的模板语法更加符合Sa-Token的设计理念:
<@saSession key="userInfo"; result>
<#if result??>
<!-- 用户已登录时显示的内容 -->
<div>欢迎,${result.username}!</div>
</#if>
</@saSession>
高级特性扩展
- 多会话支持:可扩展指令支持指定登录类型
- 权限校验:集成
StpUtil.checkLogin()等权限API - 标签简化:开发自定义宏简化模板代码
性能优化建议
- 对频繁访问的会话数据建议先在Controller层获取并传入模型
- 复杂判断逻辑尽量在Java代码中处理
- 合理使用Freemarker的缓存机制
结语
通过本文方案,开发者可以优雅地在Freemarker模板中访问Sa-Token会话数据,既保持了框架的安全性特性,又不失模板引擎的灵活性。这种集成方式尤其适合需要渐进式改造的老项目,为传统系统引入现代化的权限管理提供了平滑过渡方案。
实际项目中,建议根据具体业务需求对指令功能进行进一步封装,打造更适合自身项目的模板工具集。同时要注意Freemarker与Sa-Token的版本兼容性,定期更新到稳定版本。
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
182
196
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++
648
265
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
274
94
暂无简介
Dart
623
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
380
3.41 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
621
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