JimuReport项目中使用Spring Boot 3时缓存参数问题的解决方案
问题背景
在使用JimuReport项目的BI大屏功能时,当用户点击设计按钮时,系统抛出了一个关于缓存操作的异常。异常信息提示:"Null key returned for cache operation",并建议如果使用命名参数,需要确保编译器使用了'-parameters'标志。
异常分析
这个异常通常发生在Spring框架的缓存注解(如@Cacheable)中,当使用SpEL表达式引用方法参数作为缓存键时。在Spring Boot 3环境下,如果没有正确配置编译器参数,可能会导致方法参数名无法被正确识别,从而产生空键的问题。
具体到JimuReport项目中,这个异常出现在org.jeecg.modules.drag.service.a.i.getOneOnlPage方法的缓存操作中。该方法尝试使用#id作为缓存键,但由于参数名未被正确识别,导致键为空。
解决方案
经过项目维护者的确认,这个问题可以通过升级相关依赖版本来解决。具体需要将jimubi-spring-boot3-starter的版本升级到1.9.5:
<dependency>
<groupId>org.jeecgframework.jimureport</groupId>
<artifactId>jimubi-spring-boot3-starter</artifactId>
<version>1.9.5</version>
</dependency>
技术原理
这个问题的根本原因在于Java编译器的行为变化。默认情况下,Java编译器不会保留方法参数名信息,除非显式指定-parameters编译选项。Spring框架在解析缓存注解中的SpEL表达式时,需要能够访问方法参数名来正确构造缓存键。
在Spring Boot 3中,这个问题变得更加明显,因为框架对参数名的处理方式有所变化。升级到1.9.5版本的starter后,这个问题得到了解决,可能是因为:
- 新版本中调整了缓存配置,不再依赖参数名
- 或者新版本中包含了必要的编译器配置
- 也可能是修复了参数名处理的逻辑
最佳实践
对于类似的问题,开发者可以采取以下措施:
- 确保使用最新的稳定版本依赖
- 在开发环境中配置编译器保留参数名信息
- 对于缓存操作,考虑使用显式的键生成策略
- 在复杂的缓存场景中,实现自定义的KeyGenerator
总结
JimuReport项目在Spring Boot 3环境下遇到的这个缓存参数问题,通过简单的依赖版本升级即可解决。这提醒我们在使用框架时,及时关注官方更新和修复,可以避免很多潜在的兼容性问题。同时,理解框架底层的工作原理,有助于更快地定位和解决类似的技术难题。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C036
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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