JaCoCo在Java 17环境下配置问题的技术解析
JaCoCo作为Java代码覆盖率工具,在实际项目升级Java版本时可能会遇到一些兼容性问题。本文将通过一个典型案例,分析JaCoCo在Java 17环境下不生成覆盖率数据的原因及解决方案。
问题现象
开发团队在将项目从Java 11升级到Java 17后,发现JaCoCo不再生成覆盖率数据文件jacoco.exec。而在Java 11环境下,该文件能够正常生成。这一现象直接影响了SonarQube的代码覆盖率分析功能。
根本原因分析
经过深入排查,发现问题出在Maven Surefire插件的配置上。在Java 17环境下,项目为了兼容某些测试框架(如Mockito)或解决模块系统的访问限制,添加了以下配置:
<argLine>
--add-opens=java.base/java.lang=ALL-UNNAMED
--add-opens=java.base/java.util=ALL-UNNAMED
</argLine>
这段配置完全覆盖了Surefire插件的argLine参数,导致JaCoCo的Java代理没有被正确加载。JaCoCo正是通过这个Java代理来收集覆盖率数据的。
解决方案
正确的做法是保留JaCoCo代理的参数,同时添加Java 17所需的模块开放配置。修改后的配置应为:
<argLine>
@{argLine}
--add-opens=java.base/java.lang=ALL-UNNAMED
--add-opens=java.base/java.util=ALL-UNNAMED
</argLine>
这里的@{argLine}是一个特殊的Maven属性,它会保留Surefire插件原有的参数,包括JaCoCo代理的配置。这种写法确保了JaCoCo代理能够被正确加载,同时满足了Java 17模块系统的要求。
技术要点
-
JaCoCo工作原理:JaCoCo通过在测试执行时加载Java代理来收集覆盖率数据。这个代理是通过Surefire插件的argLine参数配置的。
-
Maven属性继承:Maven插件参数可以被覆盖,但使用
@{argLine}可以保留父POM或插件默认的参数值。 -
Java模块系统:从Java 9开始引入的模块系统增加了对反射访问的限制,
--add-opens参数用于在测试时开放必要的模块访问权限。
最佳实践建议
-
在修改Surefire插件的argLine参数时,始终保留
@{argLine}占位符。 -
升级Java版本时,不仅要关注编译和运行时的兼容性,还要注意测试工具链的配置调整。
-
对于复杂的构建配置,建议先在简单的测试项目中验证配置变更的效果。
-
定期检查构建日志,确认JaCoCo代理是否被正确加载。
通过理解这些技术细节,开发团队可以更好地管理Java项目升级过程中的测试覆盖率收集问题,确保代码质量工具的持续有效运行。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。Python00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX02