MapStruct 示例项目教程
1. 项目介绍
MapStruct 是一个 Java 注解处理器,用于生成类型安全的 bean 映射类。它通过简单的注解配置,自动生成映射代码,避免了手动编写繁琐的映射逻辑。MapStruct 示例项目展示了如何在不同的构建工具(如 Ant、Gradle、Bazel 等)中使用 MapStruct,并提供了多种应用场景的示例代码。
2. 项目快速启动
2.1 克隆项目
首先,克隆 MapStruct 示例项目到本地:
git clone https://github.com/mapstruct/mapstruct-examples.git
cd mapstruct-examples
2.2 使用 Gradle 构建项目
以下是使用 Gradle 构建项目的步骤:
-
进入
mapstruct-on-gradle目录:cd mapstruct-on-gradle -
运行 Gradle 构建命令:
./gradlew clean build
2.3 使用 Maven 构建项目
以下是使用 Maven 构建项目的步骤:
-
进入
mapstruct-lombok目录:cd mapstruct-lombok -
运行 Maven 构建命令:
mvn clean install
3. 应用案例和最佳实践
3.1 使用 MapStruct 进行对象映射
MapStruct 可以用于将一个对象的属性映射到另一个对象。以下是一个简单的示例:
@Mapper
public interface CarMapper {
CarMapper INSTANCE = Mappers.getMapper(CarMapper.class);
@Mapping(source = "numberOfSeats", target = "seatCount")
CarDto carToCarDto(Car car);
}
3.2 处理循环引用
在处理对象图时,可能会遇到循环引用的问题。MapStruct 提供了 @Context 注解来解决这个问题:
@Mapper
public interface CycleMapper {
CycleMapper INSTANCE = Mappers.getMapper(CycleMapper.class);
@Mapping(source = "name", target = "name")
@Mapping(source = "parent", target = "parent", ignore = true)
CycleDto cycleToCycleDto(Cycle cycle, @Context CycleDto parent);
}
3.3 使用 Lombok 和 MapStruct
MapStruct 可以与 Lombok 结合使用,简化代码编写:
@Mapper(componentModel = "spring", uses = {LombokMapper.class})
public interface LombokMapper {
LombokMapper INSTANCE = Mappers.getMapper(LombokMapper.class);
@Mapping(source = "name", target = "name")
LombokDto lombokToLombokDto(Lombok lombok);
}
4. 典型生态项目
4.1 Spring Boot 集成
MapStruct 可以与 Spring Boot 集成,通过 @Mapper(componentModel = "spring") 注解,自动将 Mapper 注册为 Spring Bean。
4.2 Kotlin 支持
MapStruct 支持 Kotlin,可以通过 KAPT(Kotlin Annotation Processing Tool)进行注解处理。示例项目中包含了如何在 Kotlin 项目中使用 MapStruct 的示例。
4.3 JPA 集成
MapStruct 可以与 JPA 集成,处理实体对象的映射。示例项目中展示了如何在 JPA 项目中使用 MapStruct 进行对象映射。
通过以上教程,您可以快速上手 MapStruct,并在实际项目中应用其强大的映射功能。
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