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。
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 StartedRust085- 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
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
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
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00