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。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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