新闻详情

新闻详情

首页 / 资讯中心 / 详情

SpringBoot启动流程详解,面试必问

发布时间:2026/11/14 15:50:52来源:尧图网络
SpringBoot启动流程详解,面试必问
SpringBoot凭借“约定优于配置”的理念极大简化了Spring应用的开发与部署。但面试中面试官往往不满足于你会用SpringBootApplication而是想考察你对启动流程的底层理解。本文带你一步步拆解SpringBoot的启动过程掌握面试核心考点。一、启动入口main方法与SpringBootApplication每个SpringBoot应用都有一个主类标注SpringBootApplication并在main方法中调用SpringApplication.run(Application.class, args)。这个注解看似简单实则是一个组合注解SpringBootConfiguration本质是Configuration标识主配置类。EnableAutoConfiguration开启自动配置是SpringBoot的核心。ComponentScan扫描当前包及子包下的组件。二、SpringApplication的实例化SpringApplication.run()首先会创建SpringApplication对象。构造函数中主要做两件事推断应用类型根据classpath判断是SERVLET、REACTIVE还是NONE。这决定了后续创建哪种ApplicationContext。加载初始化器和监听器从META-INF/spring.factories中读取ApplicationContextInitializer和ApplicationListener的实现类并保存起来。这一步是面试常问的SpringBoot如何实现扩展答案就是通过spring.factories加载各种扩展点。三、run方法的核心流程run()方法是启动的骨架主要分为以下几个阶段1. 准备环境prepareEnvironment创建Environment对象加载系统属性、环境变量、配置文件application.yml/properties。同时发布ApplicationEnvironmentPreparedEvent事件允许监听器修改环境。这一步完成后配置信息就已就绪。2. 创建ApplicationContext根据应用类型创建对应的上下文如AnnotationConfigServletWebServerApplicationContext。然后调用prepareContext()将环境、初始化器、监听器绑定到上下文并执行所有ApplicationContextInitializer的initialize()方法。3. 刷新上下文refreshContext——最核心的一步这是SpringBoot启动的灵魂内部调用的是AbstractApplicationContext.refresh()方法大致包括invokeBeanFactoryPostProcessors()执行BeanFactoryPostProcessor其中最重要的是ConfigurationClassPostProcessor它负责解析Configuration、ComponentScan、Import等注解完成Bean定义的加载。registerBeanPostProcessors()注册Bean后置处理器如AutowiredAnnotationBeanPostProcessor。onRefresh()对于Web应用这里会创建并启动内嵌的Tomcat/Jetty/Undertow容器。finishBeanFactoryInitialization()实例化所有非懒加载的单例Bean完成依赖注入。finishRefresh()发布ContextRefreshedEvent启动完成。4. 调用Runner刷新完成后SpringBoot会遍历所有ApplicationRunner和CommandLineRunner调用它们的run()方法。这是开发者实现“启动后执行特定逻辑”的常用扩展点。5. 发布启动完成事件最后发布ApplicationStartedEvent和ApplicationReadyEvent标志着应用已完全就绪可以对外提供服务。四、自动配置原理面试必问的自动配置核心在EnableAutoConfiguration。它通过Import(AutoConfigurationImportSelector.class)从META-INF/spring.factories中读取所有自动配置类。这些配置类再根据ConditionalOnClass、ConditionalOnMissingBean等条件注解决定是否生效。例如引入了spring-boot-starter-web就会触发DispatcherServletAutoConfiguration等从而自动配置SpringMVC。五、内嵌容器启动在onRefresh()阶段ServletWebServerApplicationContext会调用createWebServer()通过ServletWebServerFactory创建Web服务器。默认使用Tomcat并注册DispatcherServlet。这也是为什么SpringBoot无需外部容器即可独立运行。六、面试高频问题SpringBoot启动时做了哪些事准备环境、创建上下文、刷新上下文Bean加载、自动配置、启动容器、调用Runner。如何自定义启动逻辑实现ApplicationRunner或CommandLineRunner。自动配置如何生效通过spring.factories加载配置类再结合条件注解按需装配。如何排除自动配置使用SpringBootApplication(exclude Xxx.class)或配置文件排除。总结SpringBoot的启动流程是“模板方法事件驱动条件装配”的完美结合。理解每一步的职责和扩展点不仅能在面试中游刃有余更能让你在排查启动问题时快速定位。掌握底层原理才是从“会用”到“精通”的关键。
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 2026/11/14 3:51:47

【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 2026/11/12 23:59:09

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 2026/11/14 10:11:15

【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 ... 2026/11/13 13:31:48

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 2026/11/13 16:11:45

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 2026/11/14 3:51:43

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
📞 ✉