Apache Fury项目中的JPMS模块化支持实践
引言
随着Java平台模块系统(JPMS)的普及,越来越多的Java项目开始考虑模块化支持。Apache Fury作为一个高性能的序列化框架,近期也面临了如何优雅支持JPMS的需求。本文将深入探讨Fury项目在模块化支持方面的技术决策和实践经验。
JPMS模块化的重要性
Java平台模块系统(JPMS)自Java 9引入以来,为Java应用程序带来了更好的封装性、可靠性和性能。模块化能够明确声明模块间的依赖关系,避免隐式依赖带来的问题,同时为构建更精简的运行时环境提供了可能。
对于像Apache Fury这样的基础库来说,支持JPMS不仅能够消除构建时的警告信息,更重要的是为使用Fury的模块化应用程序提供更好的兼容性和可维护性。
Fury的模块化方案选择
在技术实现上,Fury项目面临两个主要选择:
-
自动模块方案: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,且完全向后兼容。
-
完整模块化方案:提供完整的module-info.java描述符,这需要更复杂的构建配置,但能提供完全的模块化支持。
考虑到Fury目前仍需要支持Java 8用户,且部分依赖库(如Guava)尚未完全支持JPMS,项目团队决定首先采用自动模块方案作为过渡。
模块命名规范
在确定模块名称时,Fury采用了简洁直观的命名方式:
- 核心模块:org.apache.fury.core
- 格式模块:org.apache.fury.format
这种命名方式既保持了与Maven坐标的对应关系,又符合Java模块命名的惯例,便于开发者理解和记忆。
完整模块化的技术挑战
虽然自动模块方案解决了当前的兼容性问题,但未来要实现完整模块化支持仍面临几个技术挑战:
-
多版本构建:需要支持同时构建Java 8和Java 9+版本,可以采用以下两种方式:
- 双编译阶段:先编译module-info.java到Java 9,再编译其余代码到Java 8
- 多版本JAR:将module-info.java放在META-INF/versions/9目录下
-
依赖兼容性:部分关键依赖(如Guava)尚未提供完整的模块支持,这限制了Fury完全模块化的进程。
-
测试策略调整:完整模块化后,某些测试可能需要移到集成测试阶段执行,以确保模块声明(如uses和provides)的正确性。
实践经验分享
从技术实现角度看,双编译阶段方案具有以下优势:
- IDE支持良好,开发体验流畅
- module-info.java可以与业务代码放在一起
- 构建配置相对简单
而多版本JAR方案虽然更符合标准,但会带来IDE支持不足和测试流程复杂化的问题。
未来展望
随着Java生态系统的演进,完整模块化支持将成为Apache Fury项目的必然选择。项目团队需要密切关注关键依赖的模块化进展,并适时推进完整模块化工作。同时,保持对Java 8的支持仍将是项目的重要考量因素。
对于其他面临类似问题的Java项目,Fury的经验表明:从自动模块开始,逐步向完整模块化过渡是一个务实可行的技术路线。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00