TigerVNC编译时xserver211.patch缺失问题的分析与解决
问题背景
在Rocky Linux 9系统上编译TigerVNC 1.14.0版本时,构建过程会报错提示找不到xserver211.patch文件。这个问题源于Xorg服务器版本号命名规则的变更与TigerVNC构建脚本之间的不兼容性。
问题分析
TigerVNC的构建脚本会根据已安装的Xorg服务器版本自动选择对应的补丁文件。在传统的Xorg版本命名中(如1.20.x),构建脚本会提取主版本号和次版本号(1和20)组合成"120"来匹配补丁文件名(xserver120.patch)。
然而,Xorg从21.1.x版本开始改变了版本号命名规则,直接使用"21"作为主版本号,不再使用"1.21"的格式。这导致构建脚本生成的补丁文件名(xserver211.patch)与实际存在的补丁文件(xserver21.patch)不匹配。
解决方案
针对这个问题,有两种可行的解决方法:
-
使用系统默认的Xorg版本
最简单的解决方案是使用Rocky Linux 9官方仓库提供的Xorg服务器版本,这些版本与TigerVNC构建脚本完全兼容。 -
修改构建脚本适配新版本
如果需要使用新版Xorg服务器,可以修改TigerVNC的spec文件中的版本检测逻辑。将原来的:xserver_patch="../xserver$(rpm -q --qf '%%{VERSION}' xorg-x11-server-source | awk -F. '{ print $1 $2 }').patch"修改为:
xserver_patch="../xserver$(rpm -q --qf '%%{VERSION}' xorg-x11-server-source | awk -F. '{ print $1 $2 }' | cut -c1-2).patch"这样修改后,脚本只会提取版本号的前两位数字,对于21.1.x版本的Xorg服务器会正确生成xserver21.patch的文件名。
技术细节
Xorg服务器的版本号变更反映了该项目的发展历程。传统版本号(1.20.x)遵循了长期使用的版本规则,而从21.1.x开始采用了新的简化版本号方案。这种变更虽然使版本号更加简洁,但也导致了与一些依赖版本号检测的构建系统(如TigerVNC)的兼容性问题。
TigerVNC作为Xorg服务器的远程桌面实现,需要针对不同版本的Xorg服务器应用特定的补丁。这些补丁通常包含了对Xorg服务器核心功能的修改,以实现远程桌面功能。因此,正确匹配补丁文件对TigerVNC的构建至关重要。
未来展望
随着Xorg服务器新版本逐渐成为各Linux发行版的标准配置,TigerVNC项目维护者将会更新构建脚本以适应新的版本号规则。在官方更新之前,用户可以采用上述解决方案之一来成功构建TigerVNC。
对于开发者而言,这个问题也提醒我们在设计版本号检测逻辑时,需要考虑项目可能发生的版本号规则变更,使构建系统更具弹性和前瞻性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00