SOFAArk 静态合并部署中 JSP 资源加载问题解析
问题背景
在 SOFAArk 框架下进行静态合并部署时,开发者可能会遇到模块 JSP 文件未被正确加载的问题。具体表现为模块启动时加载的资源目录指向基座工程而非模块自身,导致模块的 JSP 资源无法被访问。
问题分析
通过对 Spring Boot 和 SOFAArk 的调试分析,发现问题的根源在于资源加载机制:
-
资源目录定位问题:
ArkTomcatServletWebServerFactory在prepareContext方法中调用getValidDocumentRoot()时,默认获取的是基座工程的src/main/webapp目录资源文件,而非模块自身的资源目录。 -
类加载机制差异:在独立启动时,Spring Boot 能正确加载模块的 resources 目录;但在合并部署后,资源加载路径出现了偏差。
技术原理
SOFAArk 的静态合并部署模式下,模块和基座共享同一个 Tomcat 实例。这种架构带来了以下特性:
-
类加载隔离:SOFAArk 通过特殊的类加载器(
ArkTomcatEmbeddedWebappClassLoader)实现模块隔离。 -
资源加载机制:Spring Boot 默认的资源加载机制未完全适配 SOFAArk 的类加载体系,导致模块资源无法被正确识别。
解决方案
基础解决方案
修改 StaticResourceJars 类的 getUrls() 方法,使其兼容 SOFAArk 的类加载体系:
class StaticResourceJars {
List<URL> getUrls() {
// 改造原Spring Boot,兼容SOFAArk部署无法加载到模块的目录问题
ClassLoader classLoader = Thread.currentThread().getContextClassLoader();
if (classLoader instanceof ArkTomcatEmbeddedWebappClassLoader) {
classLoader = classLoader.getParent();
}
if (classLoader instanceof URLClassLoader) {
return getUrlsFrom(((URLClassLoader) classLoader).getURLs());
}
else {
return getUrlsFrom(Stream.of(ManagementFactory.getRuntimeMXBean()
.getClassPath().split(File.pathSeparator))
.map(this::toUrl).toArray(URL[]::new));
}
}
}
进阶解决方案
对于模块 JSP 依赖其他 JAR 包中资源的情况,还需要修改以下 Tomcat 相关类:
- JarFileUrlNestedJar:调整 JAR 文件资源加载逻辑
- JarWarResource:优化 WAR 包内资源处理
- JarWarResourceSet:完善资源集合管理
这些修改确保了模块不仅能够加载自身的 JSP 资源,还能访问依赖 JAR 包中的相关资源。
实现建议
-
定制化 Spring Boot Starter:建议将这些修改封装成定制的 Spring Boot Starter,便于在项目中统一管理。
-
版本兼容性:注意 Spring Boot 2.5.14 与 JDK 17 的兼容性问题,确保所有修改在不同环境下都能正常工作。
-
资源隔离策略:在 SOFAArk 环境下,明确基座与模块的资源加载优先级和隔离策略。
总结
SOFAArk 的静态合并部署为应用带来了诸多优势,但也带来了资源加载方面的新挑战。通过深入理解 SOFAArk 的类加载机制和 Spring Boot 的资源加载原理,开发者可以针对性地解决 JSP 资源加载问题。本文提供的解决方案不仅适用于当前问题,其思路也可应用于其他类似的资源加载场景。
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