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。
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