JeecgBoot项目中积木BI端口号丢失问题的分析与解决
问题背景
在使用JeecgBoot 3.7.2大屏版(集成JimuBI 1.9.1)时,开发人员遇到了一个关于API请求URL的特殊问题。当通过积木BI点击"新建"或"设计"大屏时,系统生成的API请求URL会丢失端口号,而积木report模块却能正常发起API请求。
问题现象分析
该问题主要表现为两种异常情况:
-
端口号丢失问题:积木BI生成的API请求URL中缺少了应有的端口号信息,导致请求无法正确发送到后端服务。而积木report模块生成的URL则包含了完整的端口号信息,功能正常。
-
自定义路径配置问题:当尝试按照文档配置customPrePath参数后,积木BI和积木report的网页访问都出现了异常。生成的URL格式变为"https://xxx.xxx.com:18006/erp/erp/xxxxx",这种重复路径的格式显然不正确。
技术原因探究
经过深入分析,发现该问题主要源于以下几个方面:
-
版本兼容性问题:JimuBI 1.9.1版本在处理反向代理和自定义上下文路径(context-path)时存在缺陷,特别是在Nginx配置SSL和端口转发的情况下。
-
路径拼接逻辑缺陷:积木BI模块在生成API请求URL时,未能正确处理自定义的context-path("/erp"),导致端口号丢失或路径重复拼接。
-
前后端分离架构的配置差异:前端运行在10086端口(公网)/8006端口(内网),后端运行在8007端口,这种复杂的端口映射关系增加了URL生成的复杂度。
解决方案
针对这一问题,开发团队提供了以下解决方案:
-
升级组件版本:将积木report和积木BI都升级到1.9.3版本。新版本已经修复了相关路径处理和端口拼接的问题。
-
简化部署架构:建议避免使用复杂的context-path映射,改为直接配置域名映射后台接口的方式,这能有效减少路径处理的复杂度。
-
配置优化:对于必须使用自定义路径的场景,可以参考官方文档中关于自定义业务包的配置方法,但需要注意版本兼容性。
经验总结
通过这一问题的解决过程,我们可以得出以下经验:
-
在复杂的网络环境(如Nginx反向代理+SSL+多端口)下部署JeecgBoot时,应特别注意各组件的版本兼容性。
-
自定义context-path虽然提供了灵活性,但也增加了配置的复杂度,在非必要情况下建议保持默认配置。
-
及时升级到最新稳定版本是解决许多兼容性问题的有效途径,但升级前应充分测试确保业务连续性。
-
对于企业级应用,建议建立完善的测试环境,模拟生产环境的网络拓扑结构,提前发现并解决此类配置问题。
这一案例也提醒我们,在微服务架构和前后端分离的现代应用开发中,URL生成和路径处理看似简单,实则包含许多需要注意的技术细节,需要开发人员给予足够重视。
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