使用Byte Buddy实现类似JDK反射的Method.invoke功能
2025-06-02 00:34:05作者:宗隆裙
在Java开发中,我们经常需要动态调用方法,JDK提供的反射API中的Method.invoke(Object obj, Object... args)是最常用的方式之一。本文将介绍如何使用Byte Buddy这一强大的字节码操作库来实现类似的功能。
需求分析
我们需要创建一个Invoker接口,其核心方法是invoke(Object target, Object... args),这与JDK反射API中的Method.invoke方法签名一致。实现的关键在于如何将传入的Object数组参数正确地映射到目标方法的各个参数上。
实现方案
Invoker接口设计
首先定义基础的Invoker接口:
public interface Invoker {
Object invoke(Object target, Object... args);
}
核心实现逻辑
使用Byte Buddy创建动态子类实现时,需要处理几个关键点:
- 方法调用目标的确定:区分静态方法和实例方法
- 参数传递的处理:将Object数组展开为方法参数
- 类型转换:处理基本类型和引用类型的自动转换
private Invoker createInvoker() {
MethodCall.WithoutSpecifiedTarget withoutSpecifiedTarget = MethodCall.invoke(getMethod());
MethodCall methodCall;
// 处理方法是否为静态
if(!isStatic) {
methodCall = withoutSpecifiedTarget.onArgument(0);
} else {
methodCall = withoutSpecifiedTarget;
}
// 处理参数传递
methodCall = methodCall.withArgumentArray();
// 处理返回值和类型转换
Implementation.Composable composable;
if(!isStatic || !isVoid) {
Assigner assigner = new CusPrimitiveTypeAwareAssigner(ReferenceTypeAwareAssigner.INSTANCE);
composable = methodCall.withAssigner(assigner, Assigner.Typing.DYNAMIC);
} else {
composable = methodCall;
}
Implementation implementation = isVoid
? composable.andThen(FixedValue.nullValue())
: composable;
// 创建动态子类
DynamicType.Unloaded<Invoker> invokerUnloaded = new ByteBuddy()
.subclass(Invoker.class)
.method(named("invoke"))
.intercept(implementation)
.make();
return invokerUnloaded.load(getClass().getClassLoader())
.getLoaded()
.newInstance();
}
类型转换处理
实现自定义的Assigner来处理基本类型和引用类型的转换:
public class CusPrimitiveTypeAwareAssigner implements Assigner {
private final Assigner referenceTypeAwareAssigner;
public CusPrimitiveTypeAwareAssigner(Assigner referenceTypeAwareAssigner) {
this.referenceTypeAwareAssigner = referenceTypeAwareAssigner;
}
@Override
public StackManipulation assign(TypeDescription.Generic source,
TypeDescription.Generic target,
Assigner.Typing typing) {
if(source.represents(void.class) || target.represents(void.class)) {
return referenceTypeAwareAssigner.assign(source, target, typing);
}
if (source.isPrimitive() && target.isPrimitive()) {
return PrimitiveWideningDelegate.forPrimitive(source).widenTo(target);
} else if (source.isPrimitive()) {
return PrimitiveBoxingDelegate.forPrimitive(source)
.assignBoxedTo(target, referenceTypeAwareAssigner, typing);
} else if (target.isPrimitive()) {
return PrimitiveUnboxingDelegate.forReferenceType(source)
.assignUnboxedTo(target, referenceTypeAwareAssigner, typing);
} else {
return referenceTypeAwareAssigner.assign(source, target, typing);
}
}
}
关键技术点
-
参数数组展开:使用
withArgumentArray()方法将Object数组参数自动展开为目标方法的各个参数。 -
方法调用目标处理:
- 对于实例方法,使用
onArgument(0)指定第一个参数作为调用目标 - 对于静态方法,直接调用无需指定目标
- 对于实例方法,使用
-
返回值处理:
- void方法需要额外处理,使用
FixedValue.nullValue() - 非void方法直接返回调用结果
- void方法需要额外处理,使用
-
类型转换:
- 处理基本类型间的宽化转换
- 处理基本类型与包装类型的自动装箱/拆箱
- 处理引用类型间的转换
性能考虑
相比JDK反射API,这种基于Byte Buddy的实现有以下优势:
- 运行时性能更高:生成的字节码直接调用目标方法,避免了反射开销
- 类型安全:在生成代码时进行类型检查
- 灵活性:可以自定义各种转换逻辑
总结
通过Byte Buddy实现类似Method.invoke的功能,我们不仅能够获得反射的灵活性,还能保持接近直接调用的性能。关键在于正确处理参数传递和类型转换,而Byte Buddy提供的MethodCall和Assigner等API大大简化了这一过程。
这种技术可以广泛应用于需要动态方法调用的场景,如RPC框架、AOP实现、脚本引擎等,为Java应用提供强大的动态能力。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146