Fury项目实现JPMS模块化命名的技术实践
背景介绍
Apache Fury作为一款高性能的序列化框架,随着Java平台模块系统(JPMS)的普及,面临着向模块化转型的需求。在传统的Java应用中,类路径(Classpath)机制存在"JAR地狱"等问题,而JPMS通过模块化设计提供了更好的封装性和可靠性。
问题分析
当开发者将Fury集成到模块化应用时,Maven编译器会发出警告,提示检测到基于文件名的自动模块(automatic modules)。这种警告表明项目尚未完全适配JPMS规范,可能影响未来的维护和发布。
解决方案选择
针对Fury的现状,技术团队评估了两种模块化方案:
-
最小化改造方案:通过在MANIFEST.MF中添加Automatic-Module-Name条目,这是最轻量级的解决方案,不会影响现有构建流程,可通过maven-jar-plugin配置实现。
-
完整模块化方案:提供完整的module-info.java描述符,这需要构建过程支持多版本编译或生成多版本JAR(Multi-Release JAR)。虽然功能更完整,但实现复杂度高,且依赖链中的其他库(如Guava)也需要支持JPMS。
考虑到项目依赖和兼容性要求,团队决定优先采用第一种方案作为过渡,为未来完整模块化奠定基础。
模块命名规范
在确定模块名称时,团队遵循了以下原则:
- 采用反向域名命名惯例
- 保持与Maven坐标的逻辑对应
- 确保名称简洁明了
最终确定的命名模式为:
- 核心模块:org.apache.fury.core
- 格式模块:org.apache.fury.format
- 测试模块采用类似但分层的命名结构
技术实现细节
实现过程中,通过Maven插件配置自动生成模块名称:
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-jar-plugin</artifactId>
<configuration>
<archive>
<manifestEntries>
<Automatic-Module-Name>org.apache.fury.core</Automatic-Module-Name>
</manifestEntries>
</archive>
</configuration>
</plugin>
这种配置方式确保了:
- 向后兼容Java 8及更早版本
- 在Java 9+环境中提供明确的模块标识
- 不影响现有构建流程和依赖管理
未来演进方向
虽然当前采用了过渡方案,但团队已经规划了完整的JPMS支持路线图:
-
多阶段编译策略:先以Java 9编译module-info.java进行验证,再以Java 8编译其他代码,平衡兼容性和模块化验证需求。
-
依赖生态适配:等待关键依赖(如Guava)提供官方JPMS支持,或逐步替换这些依赖。
-
构建工具优化:评估使用多版本JAR的可能性,虽然会增加构建复杂度,但能提供更干净的模块边界。
实践建议
对于面临类似模块化转型的Java项目,建议:
- 从Automatic-Module-Name开始,逐步演进
- 模块命名应保持稳定,避免后续破坏性变更
- 在CI流程中加入模块化验证步骤
- 优先确保向后兼容性,特别是对仍在使用Java 8的用户
Fury项目的这一实践为其他中间件类库的模块化转型提供了有价值的参考案例,展示了如何在保持兼容性的同时向现代Java模块系统演进的技术路径。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00