【五】Spring Cloud微服务开发：解决版本冲突全攻略

已于 2025-05-26 21:19:23 修改
阅读量1k 收藏 29
点赞数 15
分类专栏： # Spring Cloud 文章标签： spring boot spring cloud java
于 2025-05-22 21:42:09 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wanghengwhwh/article/details/147775823
版权

Spring Cloud微服务开发：解决版本冲突全攻略

目录

Spring Cloud微服务开发：解决版本冲突全攻略

概述

一、Spring Boot

二、Spring Cloud

三、Spring Cloud Alibaba

总结

概述

        spring cloud微服务项目开发过程中经常遇到程序包版本冲突的问题，我们在开发经常需要去分析spring cloud和spring boot的版本，于是就想着理一下他们之间的对应关系，这个理不清楚学不明我们很难把spring cloud学明白。如下我们将按照顺序来挨个来讲解 。

一、Spring Boot

       首先我们来了解一下springboot相关版本，如下是官网展示的版本：

  2014 年，Spring Boot 1.0 发布，到现在不知不觉已经11年之久了，以上展示的是稳定版本，感兴趣的同学可以去官网了解4.0.0-SNAPSHOT版本，这里如果有时间的话也会进行一下讲解。我们很多系统还是使用的2.x.x版本，这里我们将对以上的版本都进行一些讲解，正好做一些对比。

二、Spring Cloud

        spring cloud实际上是基于spring boot的基础上来构建的，所以我们在日常开发的过程中，需要对springcloud和springboot版本对应关系有所了解，这样能够很好的避免在开发中出现版本冲突引起的问题。如下是官网的对应关系表：

其中一个比较大的一个变化，Spring官方宣布以下模块已从spring-cloud-netflix中删除：

  • spring-cloud-netflix-archaius
  • spring-cloud-netflix-concurrency-limits
  • spring-cloud-netflix-core
  • spring-cloud-netflix-dependencies
  • spring-cloud-netflix-hystrix
  • spring-cloud-netflix-hystrix-contract
  • spring-cloud-netflix-hystrix-dashboard
  • spring-cloud-netflix-hystrix-stream
  • spring-cloud-netflix-ribbon
  • spring-cloud-netflix-sidecar
  • spring-cloud-netflix-turbine
  • spring-cloud-netflix-turbine-stream
  • spring-cloud-netflix-zuul
  • spring-cloud-starter-netflix-archaius
  • spring-cloud-starter-netflix-hystrix
  • spring-cloud-starter-netflix-hystrix-dashboard
  • spring-cloud-starter-netflix-ribbon
  • spring-cloud-starter-netflix-turbine
  • spring-cloud-starter-netflix-turbine-stream
  • spring-cloud-starter-netflix-zuul
  • Support for ribbon, hystrix and zuul was removed across the release train projects.

SpringCloud在官网上宣布将以如下内容替代Netflix的东西：

以下梳理了spring cloud 各版本以及组件版本对应关系：

三、Spring Cloud Alibaba

      2019 月 7 月 24 日，Spring 官方宣布 Spring Cloud Alibaba 毕业，之后我们在微服务领域就有了更多的选择了。

以下是 Spring Cloud Alibaba 提供的 feature:

  • 服务限流降级：使用 Sentinel 进行流量控制，熔断降级以及系统保护等多个维度保护服务稳定性
  • 服务注册与发现：使用 Nacos 适配 Spring Cloud 服务注册与发现标准，默认集成了 Ribbon 这个客户端负载均衡组件
  • 分布式配置管理：以 Nacos 作为数据存储支持分布式系统中的外部化配置，配置更改时自动刷新
  • 事件驱动：使用 Spring Cloud Stream RocketMQ Binder 来构建事件驱动的微服务实例
  • 消息总线：使用 Spring Cloud Bus RocketMQ 连接分布式系统中的各个节点
  • 分布式事务：使用 Seata 高效并且对业务零侵入地解决分布式事务问题
  • Dubbo RPC：扩展 Spring Cloud 服务调用协议，可使用 Spring Cloud 客户端调用 Dubbo 服务
  • 阿里云 OSS 集成: 使用阿里云 OSS 服务集成 Spring Resource 资源

以下摘自Alibaba仓库的版本对应关系截图，文末附有链接地址，读者朋友可以自行去查阅：

以下梳理了spring cloud alibaba各版本以及各组件对应版本关系：

版本说明 · alibaba/spring-cloud-alibaba Wiki · GitHub

https://github.com/spring-cloud/spring-cloud-release/wiki

总结

        本篇完整梳理了Spring Cloud微服务各个版本的对应关系，意在彻底解决版本冲突问题，大家在开发过程中时常会遇到版本冲突的问题，对于初学者来说的确是噩梦般存在，希望读者再阅读完本文之后能够彻底摆脱这个噩梦。

Prompt Tuning：优化提示调优全攻略
ZJQ的博客
05-26 744
Prompt Tuning（提示调优）是一种通过优化提示词来调整预训练语言模型行为的技术。主要变体包括：Prefix Tuning（添加可训练前缀向量）、Hard-Prompt Tuning（直接使用自然语言提示）、Soft-Prompt Tuning（学习通用提示向量）、Prompt Ensemble（多提示集成）和Auto-Prompt（自动搜索最优提示）。其中Hard-Prompt Tuning最为直观，可通过自然语言指令（如"这段文字的情感是积极的"）引导模型输出。代码示例展示了
同源“平滑思想”的问题解法：正则化与拉普拉斯平滑
qq_32205577的博客
05-28 825
正则化与拉普拉斯平滑，一个是机器学习的“参数约束工具”，一个是概率模型的“分布修正技术”，看似分属不同领域，实则共享“平滑思想”的内核——通过调整目标函数或统计量，对极端情况进行缓和，使模型或分布更接近真实规律。
一、OpenCV的基本操作
qq_48904748的博客
05-23 798
OpenCV是一个功能强大的计算机视觉库，包含多个模块，如图像处理、视频分析、机器学习等。基础操作包括图像的IO操作、绘制几何图形、获取和修改像素点、获取图像属性、图像通道的拆分与合并以及色彩空间的转换。此外，OpenCV还支持图像的算术操作，如图像的加法和混合，这些操作可以用于图像增强和合成。通过这些功能，OpenCV能够处理各种图像处理任务，为计算机视觉应用提供强大的支持。
智能体商业化落地实战指南：破解技术变现“最后一公里“难题
2401_88740939的博客
05-28 755
AI智能体开发遇变现难题，井云平台推出解决方案。当前智能体开发者面临三大困境：用户管理低效、支付链路缺失、流量转化乏力。井云平台通过三大引擎帮助实现商业化闭环：1）灵活计费模式和支付系统；2）独立官网生成与会员运营工具；3）企业级定制服务。典型应用场景包括法律咨询、文案生成、虚拟偶像等，支持从开发到变现的零代码快速部署，解决AI技术落地最后一公里问题，让智能体真正实现商业价值。
基于音频Transformer与动作单元的多模态情绪识别算法设计与实现（在RAVDESS数据集上的应用）
weixin_42380711的博客
05-24 1965
摘要：情感识别技术在医学、自动驾驶等多个领域的广泛应用，正吸引着研究界的持续关注。本研究提出了一种融合语音情感识别（SER）与面部情感识别（FER）的自动情绪识别系统。实验结果显示，通过附加多层感知器进行整体微调时取得最佳准确率，验证了迁移学习相较于从头训练更具鲁棒性，且预训练知识有助于任务适应。在FER方面，通过提取视频动作单元对比静态模型与顺序模型的性能差异，发现两者差异较小。错误分析表明，视觉系统可通过高情绪负载帧检测器进行优化，这为视频情感识别方法研究提供了新思路。
React笔记-Ant Design X样本间对接智谱AI
IT1995的博客
05-26 1012
本文介绍了如何将AntDesignX样本间对接智谱AI的API接口。主要步骤包括：1）搭建AntDesignX样本间；2）获取智谱AI的API接入信息；3）修改代码中的请求配置，设置基础URL、API密钥和模型参数；4）调整请求处理逻辑，实现流式响应处理和数据拼接。关键点在于正确配置请求参数和实现流式数据的实时更新，最终完成与智谱AI的对接。
NoteGen 如何使用 AI 进行记录
github_35432979的博客
05-26 498
切换到 AI 整理模式：在对话框右下角切换为“整理模式”，AI 会分析所有记录（如一周内的内容），生成一篇结构化的 Markdown 笔记。这适合视觉化记录，如照片或图表。NoteGen 的记录页面是 AI 记录的起点，它支持多种方式（如截图、插图、文件、文本和链接），并由 AI 助手增强效率。提示：在记录过程中，AI 助手会自动检测剪贴板内容（如文本或图片），并在 5 秒内提示你记录，极大提高了效率。文件记录：选择本地文件（如 TXT 或 PDF），AI 会将其转换为文本形式记录，支持快速提取内容。
仿真环境中机器人抓取与操作上手指南
u012133341的博客
05-27 187
针对“仿真环境中机器人抓取与操作”项目的上手指南，旨在帮助具备基本机器人学知识的开发者快速实现一个简单的“拿起并放置”（Pick and Place）任务。使用以下 Python 脚本运行一个简单的 Pick and Place 任务，脚本基于 ez_pick_and_place 包，整合了感知、抓取和运动规划。ez_pick_and_place 是一个 ROS 包，简化了使用 MoveIt!以下是完整的 Pick and Place 任务实现，基于 ez_pick_and_place 包。
YOLOv11助力地铁机场安检！！！一键识别刀具
crasher123的博客
05-26 305
在传统的安检过程中，X光图像分析通常依赖人工判断，不仅工作负担大，而且准确性和效率受限，特别是面对复杂多变的违禁物品形态时，容易出现漏检、误检的情况。基于此，**“基于人工智能的安检X光危险品刀具检测”**这一研究应运而生，旨在利用YOLOv11等深度学习技术，结合高质量的X光图像数据，开发出一个自动化的安检系统。在这一背景下，人工智能（AI）技术，尤其是深度学习和计算机视觉技术，作为当前最前沿的技术之一，为安检领域带来了巨大的变革机会。，特别是在X光图像的自动化分析方面，具有极大的潜力和优势。
python学习day31
最新发布
weixin_51728929的博客
05-28 462
models/ 目录：专门存放训练好的模型文件，根据模型保存格式不同，可能是 .pkl（Python pickle 格式，常用于保存 sklearn 模型 ）、.h5（常用于保存 Keras 模型 ）、.joblib 等。output/logs/：保存项目运行日志文件，记录项目从开始到结束过程中的关键信息，如训练开始时间、训练过程中的损失值变化、预测时间等。4. 为你的数据和模型产出物创建专门的顶层目录，如 data/ 和 models/，将它们与你的源代码（通常放在 src/ 目录）分开。
（八）知识图谱之维护与更新
hanyuge的专栏
05-26 992
fill:#333;color:#333;color:#333;fill:none;是是否数据错误需求扩展数据监控有更新?增量抽取版本控制质量评估合格?更新知识图谱人工干预修正数据用户反馈收集问题分类触发审核流程调整知识建模知识图谱的维护是一个“动态监控-质量检测-人工干预-持续优化”的闭环过程，需结合自动化技术与人工经验，确保图谱始终准确、完整、可用。1. 维护流程核心环节与逻辑fill:#333;color:#333;color:#333;fill:none;是是。
多模态大模型研究综述
人工智能前沿分享
05-26 1122
中国科学技术大学与腾讯联合发表的论文系统梳理了MLLM最新进展。MLLM通过融合视觉编码器与大语言模型(LLM)，实现了文本与视觉的多模态理解与推理。研究详细分析了典型架构的三要素：模态编码器(如CLIP)、预训练LLM(如LLaMA)和模态接口，并阐述了预训练、指令微调和对齐优化的三阶段训练策略。论文还探讨了评估方法(闭集/开集)、扩展技术(上下文学习、链式推理)及当前挑战，包括多模态幻觉、长上下文处理和安全问题。这项工作为MLLM的发展提供了系统性的技术参考框架。
如何去除文章的AI痕迹2025新方法
hjehheje的博客
05-28 272
一位从事教育行业的自媒体运营者曾分享过自己的经验：他在使用“小狗伪原创”处理一篇关于家庭教育的文章时发现，AI生成的句子过于生硬，缺乏真实的情感共鸣。无论是借助“小发猫”的高效写作、“小狗伪原创”的文本重写，还是“PapreBERT”的智能生成，我们都需要通过后期加工与个性化调整，才能真正实现AI与人类思维的无缝衔接。本文将围绕这一问题展开探讨，结合具体事件与使用体验，分享一些实用的方法，并介绍如“小发猫”“小狗伪原创”“PapreBERT”等常见AI写作辅助工具在实际操作中的应用技巧。
YoloV8改进策略：主干网络改进-使用Swin-TransformerV2替换Yolo的主干-即插即用
m0_47867638的博客
05-24 351
论文标题：Swin Transformer V2: Scaling Up Capacity and Resolution 论文链接：https://arxiv.org/pdf/2111.09883.pdf GitHub链接：https://github.com/microsoft/Swin-Transformer 大规模 NLP 模型已被证明可以显着提高语言任务的性能，并且没有饱和迹象。它们还展示了与人类一样的惊人的少发能力。本文旨在探索计算机视觉中的大规模模型。我们解决了大型视觉模型训练和应用中的三个主要
YOLO11解决方案之使用 Streamlit 应用程序进行实时推理
mx9818的博客
05-24 654
Streamlit 使构建和部署交互式网络应用程序变得简单，将其与Ultralytics YOLO11 结合使用，可以直接在浏览器中进行实时对象检测和分析。YOLO11 的高精度和高速度确保了实时视频流的流畅性能，能够帮助用户快速分析视频流。
产业数字化政策时点
2501_91959248的博客
05-26 345
此外，在全球数字化浪潮下，研究并推进地方产业数字化转型，是地方融入国际竞争、避免产业边缘化的关键举措，对增强地方经济韧性、实现可持续发展至关重要。本团队收集了我国大陆除4个直辖市以外的27个省级行政区划的，包含人工智能、区块链、5G 通信、新型基础设施建设、平台经济、工业互联网、车联网、虚拟现实、大数据、大数据综合试验区、智能制造、两化融合、智慧城市、云计算、物联网一共15个主题的政策文件，取该关键词第一次出现在该省政策文本的时间点作为政策时点。数据格式为Excel形式。来源于各省人民政府官网。
DAY 33
2402_84090800的博客
05-24 333
1. 分类任务中，若标签是整数（如 0/1/2 类别），需转为long类型（对应 PyTorch 的torch.long），否则交叉熵损失函数会报错。2. 回归任务中，标签需转为float类型（如torch.float32）。作业：今日的代码，要做到能够手敲。这已经是最简单最基础的版本了。2. 查看显卡信息的命令行命令（cmd中使用）a. 数据预处理（归一化、转换成张量）i. 继承nn.Module类。iii. 定义前向传播流程。c. 定义损失函数和优化器。d. 定义训练流程。
【无标题】
qq_45913945的博客
05-27 378
图像反转（Image Inversion）是一种简单直观的图像处理操作，属于灰度变换的一种。其核心思想是将图像的灰度值按一定规则进行反向映射，使亮区和暗区互换，从而实现特殊的视觉效果或增强特定细节。L 为图像的灰度级总数（如 8 位图像 (L=256 )，灰度范围 0~255）；( L-1 ) 代表最大灰度值（如 255）。
打卡Day33
2301_81663101的博客
05-23 509
定义一个简单的全连接神经网络模型，包含一个输入层、一个隐藏层和一个输出层。定义层数+定义前向传播顺序class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Moduledef __init__(self): # 初始化函数super(MLP, self).__init__() # 调用父类的初始化函数# 前三行是八股文，后面的是自定义的self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值