新闻详情

新闻详情

首页 / 资讯中心 / 详情

Java面试被问Spring循环依赖,这样答加分

发布时间:2026/11/20 2:50:56来源:尧图网络
Java面试被问Spring循环依赖,这样答加分
三级缓存不是重点AOP代理才是二级缓存就能解决普通对象的循环依赖A实例化后放入二级缓存B创建时能从二级缓存拿到A的早期引用。那为什么还要第三级因为如果A需要被AOP代理早期引用必须是代理对象而不是原始对象。第三级缓存singletonFactories存放的是ObjectFactory调用getObject()时才生成代理。二级缓存存的是死对象三级缓存存的是活工厂。面试时你能点出“第三级是为了延迟生成代理保证注入的是代理后的Bean”面试官就知道你不是死记硬背。构造器注入的循环依赖Spring束手无策A的构造器需要BB的构造器需要A。两个对象都还没实例化无法提前暴露引用。Spring直接抛BeanCurrentlyInCreationException。这不是Bug是设计边界。解决办法只有两个改用setter注入或者在其中一个参数上加Lazy让Spring注入一个代理真正调用时才初始化。构造器注入的循环依赖是代码设计的问题不是框架能兜底的。面试时你能说清楚“为什么构造器注入不行”比背十遍三级缓存更有价值。prototype作用域的循环依赖直接报错单例Bean会被缓存所以能提前暴露。prototype每次请求都创建新实例Spring不缓存也就无法提前暴露。A创建时需要BB创建时又需要A死循环直接抛异常。作用域决定了缓存策略缓存策略决定了循环依赖能否被解决。面试时提到这一点说明你理解Spring的Bean生命周期而不只是孤立地背三级缓存。Spring Boot 2.6默认禁止循环依赖这是进步从2.6开始Spring Boot默认禁止循环依赖启动直接报错。想开启得设spring.main.allow-circular-referencestrue。这个默认值的改变是在逼开发者反思循环依赖本身就是坏味道应该从设计上消除而不是靠框架兜底。面试时你能说出这个版本变化并解释为什么官方要禁止面试官会觉得你关注生态演进不是只会啃老本。面试加分回答按这个逻辑走先一句话定性循环依赖分三种单例setter注入能解决构造器注入和prototype解决不了。然后展开单例setter的三级缓存机制重点讲第三级为什么存在。接着讲边界条件展示你知识的颗粒度。最后补一句最佳实践用事件驱动、接口分离、Lazy打破循环而不是依赖框架的兜底能力。俗语说扬汤止沸不如釜底抽薪。能从设计上避免循环依赖才是真正的高手。这么答面试官不仅点头还会在本子上写“深度理解”。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉