博客
关于我
Spring为啥默认把bean设置成单例的
阅读量:218 次
发布时间:2019-02-28

本文共 1052 字,大约阅读时间需要 3 分钟。

Spring Bean的Scope配置:单例Bean和原型Bean的区别

在Spring开发中,Bean的Scope配置非常重要,它决定了Bean的生命周期和使用方式。本文将重点介绍Spring提供的两种基础Scope:单例Bean和原型Bean,为大家理解它们的区别和应用场景。

1. 单例Bean和原型Bean的基本概念

在Spring中,Bean的Scope决定了一个Bean如何被管理和获取。以下是两种主要Scope的特点:

单例Bean(Singleton):在同一个应用上,每个Bean只存在一个实例。当有请求来获取这个Bean时,Spring会首先检查缓存(BeanFactory中的Map),如果已经存在实例则直接返回,否则创建一个新实例并存入缓存。这样保证了每次请求都使用同一个对象。

原型Bean(Prototype):每次请求时,Spring都会创建一个新的Bean实例。这些实例之间互不关联,且不会被缓存以供后续请求使用。

2. 图解分析

通过图解可以直观地观察到两种Scope的区别:

图1:单例Bean的生命周期示意图

图2:原型Bean的生命周期示意图

(图示内容已被替换为文字描述,具体图示内容请参考原文链接)

3. 源码分析

在Spring的BeanFactory中,Scope的实现方式决定了Bean的创建和获取方式。以下是两个Scope的主要区别:

单例Bean的实现方式:在获取Bean时,首先检查缓存,如果存在则直接使用,否则创建一个新实例并存入缓存。

原型Bean的实现方式:每次获取Bean时,都会创建一个新的实例,不会检查缓存,也不会重复使用现有的Bean实例。

4. 结论

单例Bean和原型Bean各有优缺点:

优势:单例Bean减少了Bean的频繁创建和销毁,提升了性能表现;原型Bean在并发环境下更具线程安全性。

劣势:单例Bean在并发场景下可能导致线程安全问题;原型Bean需要每次都创建新的实例,增加了资源消耗。

5. 为什么Spring默认设置为单例Bean

Spring默认将Bean设置为单例Bean,主要是为了优化性能,从以下几个方面体现:

1. 减少Bean的创建次数

2. 减少垃圾回收压力

3. 提高Bean获取速度

总结

在实际项目中,选择Bean的Scope需要根据业务需求来决定。如果需要在并发环境下保证线程安全或需要频繁创建Bean实例,可以选择原型Bean;如果希望提高性能表现和减少资源消耗,可以选择单例Bean。

转载地址:http://zmhs.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 低对比度缺陷检测应用实例--LCD屏幕脏污检测
查看>>
OpenCV与AI深度学习 | 使用 MoveNet Lightning 和 OpenCV 实现实时姿势检测
查看>>
OpenCV与AI深度学习 | 使用 OpenCV 创建自定义图像滤镜
查看>>
OpenCV与AI深度学习 | 使用 SAM 和 Grounding DINO 分割卫星图像
查看>>
OpenCV与AI深度学习 | 使用OpenCV图像修复技术去除眩光
查看>>
OpenCV与AI深度学习 | 使用OpenCV检测并计算直线角度
查看>>
OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
查看>>
OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
查看>>
OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
查看>>
OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
查看>>
OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
查看>>
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>