Jetty项目模块化依赖问题分析与解决方案
背景介绍
Jetty作为一个广泛使用的Java Web服务器和Servlet容器,在其12.x版本中对模块系统进行了重要改进。在Jetty 12的EE10版本中,开发团队重构了JNDI相关代码,将其从各EE模块中提取到核心模块,这一架构调整带来了模块依赖关系的变化。
问题发现
近期Jetty项目中的一个变更引发了Spring Boot项目的兼容性问题。具体表现为:当Spring Boot项目使用Jetty作为内嵌服务器并运行在Java模块系统下时,由于新增的requires org.eclipse.jetty.jndi声明导致启动失败。
技术分析
-
依赖关系变更:Jetty 12 EE10版本将JNDI实现从各EE模块移至核心模块,导致
jetty-ee10-plus模块需要显式声明对jetty-jndi的依赖。 -
Spring Boot的实践:长期以来,Spring Boot Starter Jetty都排除了
jetty-jndi依赖,这表明在大多数Spring Boot使用场景中并不需要完整的JNDI功能。 -
模块系统行为:Java模块系统对依赖的严格检查与传统的类路径机制不同。显式的
requires声明会强制要求依赖模块存在,而Spring Boot项目通常不包含jetty-jndi模块。
解决方案讨论
开发团队与社区成员就这一问题进行了深入讨论,考虑了多种解决方案:
-
改为
requires static:这种"弱依赖"声明可以允许模块在缺少依赖时仍能工作,但团队认为EnvConfiguration类是jetty-ee10-plus的核心功能,不应设为可选。 -
调整Spring Boot配置:建议Spring Boot项目移除对
jetty-jndi的排除,但这需要Spring Boot团队的配合。 -
应用层解决:最终用户可以在自己的项目中显式添加
jetty-jndi依赖,这是当前最直接的解决方案。
技术决策
经过讨论,Jetty团队确认当前的依赖声明是合理的,因为:
- JNDI功能是
jetty-ee10-plus模块的核心组成部分 EnvConfiguration类会被服务加载器自动加载并执行- 改为可选依赖会影响模块功能的完整性
最佳实践建议
对于使用Jetty模块系统的开发者:
- 如果项目需要完整的EE功能,应确保包含所有必要的Jetty模块
- 在使用Spring Boot时,注意检查其排除的依赖是否会影响模块系统
- 对于自定义模块化应用,明确声明所有需要的Jetty模块依赖
总结
这次讨论体现了Java模块系统在实际应用中的挑战,特别是在大型框架和库的生态系统中。Jetty团队通过保持模块边界的清晰性,确保了功能的完整性,而最终用户则可以通过适当配置来满足特定需求。这种权衡是模块系统设计中常见的考量,需要在功能完整性和使用灵活性之间找到平衡点。
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