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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00