WedX - журнал о программировании и компьютерных науках

Не удалось прочитать файл конфигурации из @PropertySource

Я пытаюсь применить следующую аннотацию к классу конфигурации:

@Configuration
@EnableCaching
@ComponentScan({ "com.foo.*" })
@PropertySources({
    @PropertySource("classpath:foo.properties"),
    @PropertySource(value = "file:${catalina.home}/conf/foo.properties", ignoreResourceNotFound = true),
})

но я получаю следующее исключение:

org.springframework.beans.factory.BeanDefinitionStoreException: не удалось проанализировать класс конфигурации [com.company.config.CoreConfig]; вложенным исключением является java.io.FileNotFoundException: ресурс пути к классу [foo.properties] не может быть открыт, поскольку он не существует

Я попытался найти эту ошибку в Google и нашел много подходящих вещей, но ничего, что могло бы мне помочь.

Путь к файлу:

/home/me/apache-tomcat-8.0.36/conf


  • Вы читали этот документ docs .spring.io/spring/docs/current/javadoc-api/org/ 08.06.2017
  • Это не ошибка компиляции... Это ошибка времени выполнения, возникающая при запуске вашего приложения. 08.06.2017
  • @ M.Deinum, спасибо, я обновил вопрос. 08.06.2017
  • @RameshKhadka спасибо за документы, я закончил их читать, но до сих пор не знаю, что я делаю неправильно. Это, конечно, класс конфигурации проекта. Я не писал это, я существующий рабочий проект, и я просто пытаюсь добавить аннотацию PropertySources, чтобы читать реквизиты из файла конфигурации. 08.06.2017
  • @RameshKhadka Я также добавил весь соответствующий код для чтения файла. Я просто не стал выкладывать это здесь, потому что очевидно, что проблема в аннотации и код вообще не выполняется. 08.06.2017

Ответы:


1

Я решил это, удалив эту строку:

@PropertySource("classpath:foo.properties"),
08.06.2017
Новые материалы

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


Для любых предложений по сайту: [email protected]