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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07