Spring Data MongoDB 中 ApplicationListener 导致的循环依赖问题解析
问题背景
在将项目从 Spring Boot 2.7.9 升级到 3.3.1 版本时,开发者遇到了一个典型的循环依赖问题。这个问题特别出现在使用 Spring Data MongoDB 的场景下,当服务类实现了 ApplicationListener 接口并依赖 MongoTemplate 时就会触发。
问题本质
这个问题的核心在于 Spring 容器的初始化顺序和 ApplicationListener 的特殊性。ApplicationListener 实现类会在 Spring 容器生命周期的早期阶段就被处理,因为容器需要它们来接收和处理各种技术性应用事件。而 MongoDB 的对象转换基础设施也会发布这样的事件。
当 MongoMappingContext 初始化时,它会触发一系列依赖关系:
- MongoTemplate 需要 MappingMongoConverter
- MappingMongoConverter 需要 MongoMappingContext
- MongoMappingContext 会扫描 @Document 注解的类
- 如果这些类所在的包中包含了 ApplicationListener 实现类,就会导致循环依赖
典型触发场景
开发者总结了几个典型的触发场景:
- 服务类实现了 ApplicationListener 接口并直接注入 MongoTemplate
- 重写了 AbstractMongoClientConfiguration.getMappingBasePackages 方法,返回的包中包含 @Document 注解类
- 配置类位于项目的根包下
- 结合使用 WebSocket 和 MongoDB Session 存储时
解决方案
对于这个问题,Spring 团队给出了明确的解决方案:
1. 使用延迟注入
对于实现了 ApplicationListener 的服务类,应该避免直接注入 MongoTemplate,而是采用以下两种方式之一:
使用 ObjectProvider/ObjectFactory:
public ApplicationListenerServiceImpl(ObjectProvider<MongoTemplate> mongoTemplate) {
this.mongoTemplate = mongoTemplate.getObject();
}
使用 @Lazy 注解:
public ApplicationListenerServiceImpl(@Lazy MongoTemplate mongoTemplate) {
this.mongoTemplate = mongoTemplate;
}
2. 两种方式的区别
ObjectProvider/ObjectFactory 方式只是简单包装了目标 bean 的查找过程,而 @Lazy 注解方式则需要 Spring 创建代理对象。前者在性能和资源消耗上更为轻量。
3. 框架层面的改进
对于 Spring Session 中 AbstractSessionWebSocketMessageBrokerConfigurer 的非静态 ApplicationListener 声明导致的基础设施初始化问题,Spring 团队已经提交了改进方案。
最佳实践建议
- 尽量避免让业务服务类直接实现 ApplicationListener 接口,可以考虑使用事件监听器专用类
- 对于必须实现 ApplicationListener 的服务类,采用延迟注入策略
- 合理规划包结构,避免 @Document 类与 ApplicationListener 实现类混在同一个包下
- 在升级 Spring Boot 版本时,特别注意 2.7.12 版本引入的这一变化
总结
这个问题展示了 Spring 容器初始化顺序和依赖管理的重要性。理解 ApplicationListener 的特殊生命周期和合理使用延迟注入策略,是解决这类循环依赖问题的关键。对于框架使用者来说,遵循这些最佳实践可以避免类似的初始化问题,确保应用平稳运行。
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- 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
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