MyBatis-Plus 在 Tomcat 中配置 Spring 参数的最佳实践
在 Java Web 应用开发中,MyBatis-Plus 作为 MyBatis 的增强工具,经常与 Spring 框架结合使用。当我们将基于 MyBatis-Plus 和 Spring 的应用部署到 Tomcat 服务器时,如何正确配置 Spring 参数是一个常见的技术问题。本文将详细介绍在不同 Tomcat 部署场景下传递 Spring 配置参数的方法。
嵌入式 Tomcat 的参数配置
对于使用 Spring Boot 内嵌 Tomcat 的应用,参数传递最为简单直接。我们可以通过 java -jar 命令直接传递 Spring 配置参数:
java -jar myapp.jar --server.port=8081 --spring.datasource.url=jdbc:mysql://localhost:3306/mydb
这种方式会覆盖 application.properties 或 application.yml 文件中的默认配置,非常适合在测试和生产环境中快速调整配置。
传统 Tomcat 的参数配置方法
当我们将应用部署到独立 Tomcat 服务器时,有以下几种配置 Spring 参数的方式:
1. 通过 CATALINA_OPTS 环境变量配置
这是最推荐的方式,可以在 Tomcat 启动时传递系统属性:
# Linux/Unix 系统
export CATALINA_OPTS="$CATALINA_OPTS -Dserver.port=8081 -Dspring.datasource.url=jdbc:mysql://localhost:3306/mydb"
# Windows 系统
set CATALINA_OPTS=%CATALINA_OPTS% -Dserver.port=8081 -Dspring.datasource.url=jdbc:mysql://localhost:3306/mydb
建议将这些配置写入 Tomcat 的 setenv.sh(Linux)或 setenv.bat(Windows)文件中,这样每次启动 Tomcat 时都会自动加载这些参数。
2. 通过 context.xml 文件配置
在 Tomcat 的 conf/context.xml 文件中可以添加参数配置:
<Context>
<Parameter name="server.port" value="8081" override="false"/>
<Parameter name="spring.datasource.url" value="jdbc:mysql://localhost:3306/mydb" override="false"/>
</Context>
这种方式适合需要为特定应用配置参数的场景。
3. 通过 web.xml 文件配置
在应用的 WEB-INF/web.xml 中可以添加上下文参数:
<context-param>
<param-name>server.port</param-name>
<param-value>8081</param-value>
</context-param>
<context-param>
<param-name>spring.datasource.url</param-name>
<param-value>jdbc:mysql://localhost:3306/mydb</param-value>
</context-param>
这种方式将配置与应用打包在一起,适合应用特定的配置需求。
配置参数的作用域与优先级
理解不同配置方式的作用域和优先级非常重要:
- 命令行参数:最高优先级,仅适用于嵌入式 Tomcat
- CATALINA_OPTS:系统级配置,影响所有部署的应用
- context.xml:影响特定主机或应用
- web.xml:仅影响单个应用
在实际生产环境中,建议根据配置的作用范围选择合适的配置方式。对于 MyBatis-Plus 相关的数据库连接池配置等应用级参数,推荐使用 web.xml 或 context.xml 方式;对于服务器端口等系统级参数,则适合使用 CATALINA_OPTS 方式。
安全注意事项
在配置数据库连接等敏感信息时,应当注意:
- 避免在配置文件中直接写入明文密码
- 考虑使用 JNDI 数据源方式管理数据库连接
- 对于生产环境,建议使用配置中心统一管理配置
- 确保配置文件权限设置合理,防止信息泄露
通过合理选择配置方式,我们可以在 Tomcat 环境中灵活管理 MyBatis-Plus 和 Spring 应用的各项参数,满足不同环境下的部署需求。
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