当前位置:首页 > 文章列表 > 文章 > java教程 > Java双亲委派模型能打破吗?ClassLoader实战教程

Java双亲委派模型能打破吗?ClassLoader实战教程

2026-03-07 10:27:41 0浏览 收藏
Java的双亲委派模型并非不可撼动的铁律,而是在实际工程中被高频、有目的地打破——从JDBC驱动加载、Tomcat应用隔离到Spring Boot可执行包和OSGi模块化,无不依赖对委派机制的主动绕过;但打破不等于随意重写,若忽略系统类委派、混淆线程上下文类加载器、误用Class.forName或跨加载器类型操作,轻则NoClassDefFoundError,重则运行时转型失败与反射异常;真正稳健的自定义ClassLoader,必须精准划分委派边界、严格隔离核心类、显式管控资源发现与类加载路径,并深刻理解“类加载器即类型宇宙”的本质——在这里,相同的类名、字节码,只要加载器不同,就是完全无法互通的两个世界。

Java中的双亲委派模型可以被打破吗_自定义ClassLoader实战

双亲委派被打破是常态,不是例外

可以,而且在真实项目里几乎每天都在发生。双亲委派只是 ClassLoader.loadClass() 的默认实现逻辑,只要你重写这个方法、不调用 super.loadClass(),或者绕过它(比如直接调用 defineClass()),委派链就断了。JDBC 的 DriverManager、Tomcat 的 WebAppClassLoader、OSGi、Spring Boot 的 LaunchedURLClassLoader 全都主动打破了它——不是为了炫技,而是为了解决类隔离或热加载这类刚需。

重写 loadClass() 时最容易触发的 NoClassDefFoundError

很多人以为“重写 loadClass() 就是自己 new byte[] 然后 defineClass()”,结果一跑就崩。根本原因是:你没处理好系统类(如 java.lang.String)和接口类(如 java.util.List)的加载。这些类必须由启动类加载器或扩展类加载器提供,你自己定义出来的会因类加载器不同而无法赋值、强制转型失败。

正确做法是:先判断是否为系统类/核心类,优先委派给父加载器;再处理自定义路径的类;最后才 fallback 到自己的 findClass()。示例关键片段:

protected Class loadClass(String name, boolean resolve) throws ClassNotFoundException {
    if (name.startsWith("java.") || name.startsWith("javax.")) {
        return super.loadClass(name, resolve); // 必须走默认委派
    }
    Class c = findLoadedClass(name);
    if (c == null) {
        c = findClass(name); // 自己加载
    }
    if (resolve) resolveClass(c);
    return c;
}

Tomcat 和 Spring Boot 的自定义 ClassLoader 差在哪

两者都打破双亲委派,但动机和边界完全不同:

  • Tomcat 的 WebAppClassLoader:优先从 WEB-INF/classes 和 WEB-INF/lib 加载,仅当找不到时才委派给父类加载器。这是典型的“逆向委派”,目的是让应用类覆盖容器提供的同名类(比如不同版本的 commons-collections)。
  • Spring Boot 的 LaunchedURLClassLoader:把 BOOT-INF/classes 和 BOOT-INF/lib 放在委派链最前面,但对 org.springframework.* 这类核心包仍会委派给父加载器(即 AppClassLoader),避免启动类被重复加载或冲突。

关键差异在 getResource() 和 getResources() 的实现:Tomcat 会屏蔽父加载器的同名资源,Spring Boot 则保留父加载器结果并合并——这直接影响 ServiceLoader 是否能发现 META-INF/services 下的实现类。

自定义 ClassLoader 后,Class.forName() 和 ClassLoader.getSystemClassLoader() 会出什么问题

这两个是隐形陷阱高发区:

  • Class.forName("com.example.Foo") 默认使用当前线程上下文类加载器(Thread.currentThread().getContextClassLoader()),不是当前类所在加载器。如果你没显式设置上下文类加载器,它很可能还是 AppClassLoader,导致你的自定义类根本加载不到。
  • ClassLoader.getSystemClassLoader() 永远返回 JVM 启动时的系统类加载器(通常是 AppClassLoader),它跟你的自定义实例完全无关。别指望用它来加载你自己的 jar 包。
  • 反射调用 newInstance() 或 getMethod() 时,如果参数类型来自不同类加载器,哪怕类名、字节码一模一样,也会报 IllegalArgumentException 或 NoSuchMethodException——因为 JVM 认为它们是“不同的类”。

真正可控的方式只有两个:显式传入你的 ClassLoader 实例调用 loadClass(),或者提前设置线程上下文类加载器:Thread.currentThread().setContextClassLoader(myCl)。

类加载器边界比 package 名称更硬,跨加载器的 instanceof、强制转型、异常捕获全都会失效。这点一旦忽略,调试成本远高于写加载逻辑本身。

文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《Java双亲委派模型能打破吗?ClassLoader实战教程》文章吧,也可关注golang学习网公众号了解相关技术文章。

Win10声音输出设置教程Win10声音输出设置教程
上一篇
Win10声音输出设置教程
GolangWebSocket长连接测试与并发消息验证
下一篇
GolangWebSocket长连接测试与并发消息验证
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    258次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    303次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    282次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    259次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    68次使用