MassTransit中使用Scoped发布过滤器与JobService的注意事项
问题背景
在MassTransit框架中,开发者经常会遇到需要在消息发布或发送时使用依赖注入(DI)作用域(Scoped)服务的场景。特别是当结合JobService使用时,如果不正确配置作用域生命周期管理,会导致System.ObjectDisposedException异常,提示"无法访问已释放的对象"。
问题现象
当开发者创建一个依赖于Scoped服务的发布过滤器(Publish Filter),并尝试在JobService中使用时,系统会抛出以下异常:
System.ObjectDisposedException: Cannot access a disposed object.
Object name: 'IServiceProvider'.
这个错误通常发生在Job尝试启动时,表明过滤器尝试访问一个已经被释放的IServiceProvider实例。
根本原因
这个问题与MassTransit的内存中Outbox(In-Memory Outbox)机制有关。当使用内存中Outbox时,消息处理会在原始消费上下文结束后继续执行,而此时原始的服务作用域已经被释放。如果没有正确配置作用域管理,过滤器就会尝试访问已释放的作用域。
解决方案
要解决这个问题,需要在配置接收端点时显式启用消息作用域(Message Scope)。具体做法是在端点配置回调中添加UseMessageScope:
x.AddConfigureEndpointsCallback((provider, name, cfg) =>
{
cfg.UseMessageScope(provider); // 关键配置
cfg.UsePublishFilter(typeof(ScopedPublishFilter<>), provider);
});
技术原理
-
作用域生命周期:在ASP.NET Core中,Scoped服务通常与HTTP请求生命周期绑定。在消息处理场景中,需要明确界定作用域边界。
-
内存中Outbox:MassTransit的内存中Outbox会延迟消息发送,直到原始消息处理完成。这可能导致作用域已释放但消息仍需发送的情况。
-
消息作用域:
UseMessageScope为每个消息处理创建一个新的作用域,确保在消息处理期间(包括Outbox中的延迟操作)都能访问有效的服务实例。
最佳实践
-
当使用任何依赖于Scoped服务的过滤器时,都应配置
UseMessageScope。 -
对于JobService,建议统一在接收端点配置中添加作用域管理。
-
考虑过滤器的性能影响,避免在过滤器中执行耗时操作。
-
对于无状态服务,优先考虑使用Singleton生命周期以减少作用域管理开销。
总结
在MassTransit中正确管理依赖注入作用域对于构建可靠的消息处理系统至关重要。特别是在使用JobService和内存中Outbox时,必须注意显式配置消息作用域,以避免对象释放后访问的问题。通过合理配置UseMessageScope,可以确保过滤器在整个消息处理生命周期中都能安全访问所需的Scoped服务。
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