ArchUnit中如何正确检查枚举常量的注解
2025-06-24 04:35:40作者:郁楠烈Hubert
在Java开发中,我们经常使用枚举类型来表示一组固定的常量。有时我们需要确保这些枚举常量都带有特定的注解,比如用于错误描述的注解。使用ArchUnit进行架构测试时,可能会遇到无法正确检查枚举常量注解的问题。
问题背景
考虑以下枚举定义:
public enum MyModeStatus {
@ErrorDescription("Undefined Error")
UNDEFINED,
ANOTHER_VALUE
}
开发者希望编写ArchUnit规则来确保所有以"ModeStatus"结尾的枚举类中的字段都带有@ErrorDescription注解。直觉上可能会写出如下规则:
@ArchTest
public static final ArchRule statusFieldsAnnotation = ArchRuleDefinition.fields()
.that()
.areDeclaredInClassesThat().areEnums()
.and().areDeclaredInClassesThat().haveSimpleNameEndingWith("ModeStatus")
.should().beAnnotatedWith(ErrorDescription.class);
然而这条规则会报错,提示ENUM$VALUES字段没有注解,而不是我们期望的ANOTHER_VALUE。
问题根源
通过查看字节码可以发现,Java编译器会为枚举类生成一些特殊字段:
- 真正的枚举常量(如UNDEFINED、ANOTHER_VALUE)会被标记为
ACC_ENUM标志 - 编译器生成的
$VALUES数组字段会被标记为ACC_SYNTHETIC标志
ArchUnit默认会检查所有字段,包括这些编译器生成的合成字段,因此导致了不符合预期的验证结果。
解决方案
有两种方式可以精确地只检查真正的枚举常量:
方案一:筛选具有ENUM修饰符的字段
.and().haveModifier(JavaModifier.ENUM)
方案二:排除合成字段
.and().doNotHaveModifier(JavaModifier.SYNTHETIC)
完整的修正后的规则如下:
@ArchTest
public static final ArchRule statusFieldsAnnotation = ArchRuleDefinition.fields()
.that()
.areDeclaredInClassesThat().areEnums()
.and().areDeclaredInClassesThat().haveSimpleNameEndingWith("ModeStatus")
.and().haveModifier(JavaModifier.ENUM) // 或使用.doNotHaveModifier(JavaModifier.SYNTHETIC)
.should().beAnnotatedWith(ErrorDescription.class);
深入理解
Java枚举在字节码层面有一些特殊实现细节:
- 每个枚举常量实际上都是枚举类的静态final实例
- 编译器会自动生成一个包含所有枚举值的数组
$VALUES - 枚举常量有特殊的修饰符标志
ACC_ENUM - 编译器生成的字段通常带有
ACC_SYNTHETIC标志
理解这些底层细节有助于编写更精确的架构测试规则。在ArchUnit中,我们可以利用JavaModifier提供的各种修饰符来精确筛选我们需要检查的代码元素。
最佳实践
当使用ArchUnit检查枚举时,建议:
- 明确区分真正的枚举常量和编译器生成的字段
- 优先使用
haveModifier(JavaModifier.ENUM)来筛选枚举常量 - 对于其他特殊情况,考虑使用修饰符组合来精确控制检查范围
- 编写测试时,可以先打印出所有字段及其修饰符,帮助理解代码结构
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
615
140
Ascend Extension for PyTorch
Python
168
190
React Native鸿蒙化仓库
JavaScript
240
315
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
256
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
373
3.18 K
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.09 K
618
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
62
19
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
262
92