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。
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