JeecgBoot项目JAR分离打包优化实践
2025-05-03 20:57:07作者:滑思眉Philip
背景概述
在Java应用部署过程中,JAR包分离打包是一种常见的优化手段,尤其对于像JeecgBoot这样的企业级快速开发框架。传统的单体打包方式会导致每次更新都需要重新部署整个应用包,而分离打包则可以将依赖库与业务代码分离,提高部署效率。
分离打包的常见问题
在实际使用JeecgBoot 3.6.3版本进行分离打包时,开发者遇到了一个典型问题:业务代码相关的JAR文件(以jeecg前缀命名的)也被放到了外部lib目录中。这导致每次更新时都需要:
- 确定哪些业务模块有更新
- 手动更新lib目录下对应的JAR包
- 增加了部署的复杂度和出错概率
技术原理分析
Spring Boot的默认打包机制会将所有依赖(包括业务模块)打包成一个可执行的JAR文件。当采用分离打包策略时,通常的做法是:
- 使用
spring-boot-maven-plugin配置ZIP布局 - 通过
maven-dependency-plugin将依赖复制到指定目录 - 使用
maven-resources-plugin处理静态资源
优化解决方案
针对JeecgBoot项目的特性,我们可以采用以下优化方案:
1. 自定义依赖分类
在pom.xml中明确定义哪些依赖应该外置,哪些应该内置:
<configuration>
<includes>
<!-- 排除业务模块 -->
<include>
<groupId>org.jeecgframework.boot</groupId>
<artifactId>jeecg-*</artifactId>
</include>
</includes>
</configuration>
2. 多模块打包策略
对于JeecgBoot的多模块项目,建议:
- 将核心启动模块(jeecg-system-start)作为主模块
- 业务模块作为依赖引入
- 在打包时保留业务模块在主JAR中
3. 启动参数优化
使用Spring Boot的loader.path参数指定外部依赖路径:
java -jar -Dfile.encoding=UTF-8 -Dloader.path=lib jeecg-system.jar
实施建议
- 版本控制:确保所有模块版本一致,避免依赖冲突
- 构建顺序:在多模块项目中,先构建依赖模块再构建主模块
- 测试验证:部署前在测试环境验证分离打包效果
- 文档记录:记录每个业务模块的版本和变更历史
最佳实践
对于JeecgBoot项目,推荐采用以下打包结构:
jeecg-system-start.jar (包含所有业务模块)
├── lib/ (第三方依赖)
├── config/ (配置文件)
└── static/ (静态资源)
这种结构下,业务更新只需替换主JAR文件,而第三方依赖可以长期保持不变。
总结
JeecgBoot项目的JAR分离打包优化需要平衡部署便利性和性能需求。通过合理配置Maven插件和Spring Boot打包策略,可以实现业务代码内置而第三方依赖外置的理想状态。这种方案既减少了部署包的大小,又简化了更新流程,特别适合频繁更新的业务系统。
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
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
670
155
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++
660
308
Ascend Extension for PyTorch
Python
219
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.82 K
React Native鸿蒙化仓库
JavaScript
259
322