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。
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