【报错】mac m1 gateway 报错

embedded/2024/10/19 23:45:35/

今天写项目出现以下报错

Unable to load io.netty.resolver.dns.macos.MacOSDnsServerAddressStreamProvider, fallback to system defaults. This may result in incorrect DNS resolutions on MacOS. Check whether you have a dependency on 'io.netty:netty-resolver-dns-native-macos'.

出现这个问题是因为自己在 m1芯片的 mac 电脑安装使用了spring-cloud-starter-gateway依赖,这需要额外安装netty-resolver-dns-native-macos依赖。

由于我装的 gateway 版本为4.1.0,所以我需要安装支持4.1.0 版本的netty-resolver-dns-native-macos

pom 相关依赖如下:

<dependency><groupId>io.netty</groupId><artifactId>netty-resolver-dns-native-macos</artifactId><scope>runtime</scope><classifier>osx-aarch_64</classifier>
</dependency>

运行后,相关的报错消失,完事儿!


http://www.ppmy.cn/embedded/126573.html

相关文章

Spring Boot 三层架构开发模式入门

在 Spring Boot 项目中&#xff0c;构建清晰、易于维护的代码结构至关重要。传统业务逻辑方式往往将所有代码混杂在一起&#xff0c;导致代码难以理解、修改和扩展。三层架构模式的出现正是为了解决这些问题&#xff0c;让我们深入了解它带来的改变。 一、传统业务逻辑方式 假…

Rust 快速入门(一)

Rust安装信息解释 cargo&#xff1a;Rust的编译管理器、包管理器、通用工具。可以用Cargo启动新的项目&#xff0c;构建和运行程序&#xff0c;并管理代码所依赖的所有外部库。 Rustc&#xff1a;Rust的编译器。通常Cargo会替我们调用此编译器。 Rustdoc&#xff1a;是Rust的…

C与C++ —— 深度剖析区别

目录 一、C 和 C 深度剖析 1. 编程范式 2. 内存管理 3. 标准库 4. 运行效率 5. 应用场景 二、总结 三、其他值得关注的差异 一、C 和 C 深度剖析 1. 编程范式 C&#xff1a; 是一种结构化编程语言&#xff0c;以过程式编程为核心。代码以函数和模块的形式组织&#xf…

【算法】- 查找 - 多路查找树(B树)

文章目录 前言一、多路查找树&#xff08;B树&#xff09;二、2-3树的查找2-3树查找代码 三、2-3树的插入2-3树代码 2-3树代码总结 前言 上次我们学了如何用平衡二叉树来插入和查找。这些算法都是在内存中进行&#xff0c;若我们要操作的数据非常大&#xff0c;大到内存没办法处…

AI 激活新势能,中小企业全媒体营销绽放无限可能

什么是全媒体营销&#xff1a; 全媒体营销是一种利用多种媒介渠道进行品牌、产品或服务推广的营销策略。它结合了传统媒体&#xff08;如电视、广播、报纸、杂志&#xff09;和新媒体&#xff08;如互联网、社交媒体、移动应用等&#xff09;的优势&#xff0c;以实现信息的广…

两个pdf怎么合并成一个pdf?超简单的合并方法分享

在日常工作和学习中&#xff0c;我们经常会遇到需要将多个PDF文件合并成一个文件的情况&#xff0c;以便更好地管理和分享。今天&#xff0c;将为大家详细介绍5种实用的方法&#xff0c;能够一键合并多个PDF文件&#xff0c;有需要的小伙伴快来一起学习下吧。 方法一&#xff1…

前端开发攻略---使用css实现滚动吸附效果

实现代码 <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8" /><meta name"viewport" content"widthdevice-width, initial-scale1.0" /><title>Document</title><style>…

集成学习和随机森林

集成学习 生活中的集成学习&#xff1a; 买东西找别推荐 import numpy as np import matplotlib.pyplot as pltfrom sklearn import datasetsX, y datasets.make_moons(n_samples500, noise0.3, random_state42)plt.scatter(X[y0,0], X[y0,1]) plt.scatter(X[y1,0], X[y1,1]…