MyBatis-Flex 实体类继承与ID生成器冲突问题解析
问题背景
在使用MyBatis-Flex框架开发时,开发者经常会抽取数据库实体类的公共属性到基类中,然后让具体实体类继承这个基类。这是一种常见的面向对象设计模式,可以避免代码重复。然而,当在基类中使用MyBatis-Flex的@Id注解并指定ID生成策略时,可能会遇到类型转换异常。
问题现象
开发者定义了一个BaseEntity基类,其中包含ID字段并配置了雪花算法ID生成器:
@Id(keyType = KeyType.Generator, value = KeyGenerators.snowFlakeId)
private String id;
然后创建了SystemIpBlacklist实体类继承BaseEntity。在测试环境中,实体类的保存操作可以正常工作,但在实际服务运行时却抛出异常:
java.lang.IllegalArgumentException: object of type cloud.astrsea.framework.model.entity.mysql.SystemIpBlacklist is not an instance of cloud.astrsea.framework.model.entity.mysql.BaseEntity
问题根源
这个问题实际上是由Spring Boot的热加载机制和类加载器导致的。在Spring Boot开发环境中,当使用DevTools等热加载工具时,同一个类可能会被不同的类加载器加载多次,导致JVM认为它们是不同的类。具体表现为:
- 基类
BaseEntity被一个类加载器加载 - 子类
SystemIpBlacklist被另一个类加载器加载 - 虽然从代码上看是继承关系,但JVM认为它们不属于同一个类层次结构
解决方案
针对这个问题,有以下几种解决方案:
方案一:禁用热加载
在正式环境中,这个问题通常不会出现,因为类只被加载一次。如果是在开发环境中遇到此问题,可以暂时禁用热加载功能进行测试。
方案二:修改ID生成策略
将ID生成策略改为不依赖生成器的方式,例如:
@Id(keyType = KeyType.Auto)
private Long id;
或者使用数据库自增:
@Id(keyType = KeyType.Auto)
private Integer id;
方案三:自定义ID生成器
如果必须使用特定的ID生成策略,可以创建一个自定义的ID生成器:
public class CustomIdGenerator implements KeyGenerator {
@Override
public Object generate(Object entity, String keyColumn) {
return IdWorker.getIdStr();
}
}
然后在实体类中使用:
@Id(keyType = KeyType.Generator, value = CustomIdGenerator.class)
private String id;
方案四:调整类加载方式
确保基类和子类被同一个类加载器加载,可以通过以下方式实现:
- 将基类放在独立的模块中
- 确保基类不会被重新加载
- 在Spring Boot配置中排除特定类的热加载
最佳实践建议
-
谨慎使用继承:在实体类设计中,除非确实需要共享大量公共字段和行为,否则考虑使用组合而非继承。
-
ID生成策略选择:根据实际业务需求选择合适的ID生成策略,优先考虑简单可靠的方案。
-
开发环境配置:在开发环境中合理配置热加载工具,避免因类加载问题导致的奇怪错误。
-
测试覆盖:确保测试环境尽可能模拟生产环境,包括类加载机制。
总结
MyBatis-Flex框架中实体类继承与ID生成器的冲突问题,本质上是类加载机制导致的。通过理解问题的根本原因,开发者可以选择最适合自己项目的解决方案。在大多数情况下,调整ID生成策略或优化类加载方式都能有效解决这个问题。
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 StartedRust0197
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 Notebook0127
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。Python07
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