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。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00