MyBatis-Plus项目启动缓慢问题分析与解决方案
问题现象
在使用MyBatis-Plus 3.5.7版本的项目中,开发者遇到了项目启动异常缓慢的问题。通过日志分析发现,所有Mapper接口在启动时被加载了两次,且第二次加载耗时异常,每个Mapper接口的初始化时间达到了1-2秒不等。
问题排查过程
通过BeanPostProcessor记录的日志显示,每个Mapper接口都经历了两次初始化:
- 第一次初始化耗时极短(1-2毫秒)
- 第二次初始化耗时异常(1200-2500毫秒)
这种重复加载且耗时异常的现象明显不正常。经过开发者逐步排查,最终发现问题与项目中一个自定义的AOP切面类有关。
根本原因分析
导致MyBatis-Plus启动缓慢的根本原因是项目中定义的一个日志记录切面(LogAspect)与MyBatis-Plus的Mapper代理机制产生了某种冲突或性能瓶颈。具体表现为:
-
切面定义过于宽泛:切面的切入点表达式
execution (public * com.dm.api.*.*.*(..))匹配范围过大,可能意外拦截了MyBatis-Plus内部的一些关键操作。 -
切面处理逻辑复杂:该切面在before advice中执行了大量操作,包括获取安全上下文、HTTP请求信息、参数处理等,这些操作在Mapper初始化阶段可能不必要地被执行。
-
线程本地变量使用:切面中使用了ThreadLocal来存储日志信息,可能在Mapper初始化阶段产生了额外的开销。
解决方案
针对这个问题,可以采取以下几种解决方案:
1. 优化切面定义
缩小切入点表达式的匹配范围,避免拦截MyBatis-Plus内部操作:
@Pointcut("execution(public * com.dm.api..service..*(..)) ||
execution(public * com.dm.api..controller..*(..))")
public void logAspect() {}
2. 添加排除规则
在切面中添加对Mapper接口的排除规则:
@Pointcut("execution(public * com.dm.api..*(..)) &&
!within(com.baomidou.mybatisplus.core.mapper..*)")
public void logAspect() {}
3. 延迟切面初始化
通过实现SmartInstantiationAwareBeanPostProcessor接口,确保切面在Mapper初始化完成后再进行初始化。
4. 简化切面逻辑
优化切面中的before advice逻辑,减少不必要的操作:
@Before("logAspect() && @annotation(log)")
public void doBefore(JoinPoint joinPoint, Log log) {
// 简化参数处理逻辑
// 移除不必要的安全上下文和请求处理
}
最佳实践建议
-
精确控制AOP切入点:在使用AOP时,应该尽可能精确地定义切入点,避免拦截框架内部的操作。
-
性能敏感操作后置处理:对于日志记录这类非关键路径的操作,可以考虑使用异步处理或后置处理,避免影响主要业务流程。
-
定期性能测试:在引入新的框架或组件后,应该进行启动时间和运行时性能的基准测试。
-
理解框架初始化机制:深入理解MyBatis-Plus等ORM框架的初始化过程,避免与其关键生命周期阶段产生冲突。
总结
MyBatis-Plus项目启动缓慢的问题往往源于框架初始化过程与其他组件(特别是AOP)的交互问题。通过精确控制AOP切入点、优化切面逻辑、合理安排组件初始化顺序等手段,可以有效解决这类性能问题。这也提醒我们在使用复杂框架时,需要全面考虑各组件之间的相互影响,才能构建出高性能、稳定的应用系统。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00