Factory项目中的SPM模块化与容器共享问题解析
问题背景
在使用Factory依赖注入框架进行模块化开发时,当项目从CocoaPods迁移到Swift Package Manager(SPM)后,开发团队遇到了一个棘手的问题:在单元测试中设置的模拟依赖项被主项目代码忽略。这个问题特别出现在多模块项目中,当测试计划包含多个SPM模块的单元测试时尤为明显。
问题现象
开发团队发现,尽管单元测试中正确设置了所有模拟依赖项,但在测试执行过程中,主项目代码解析这些依赖项时却创建了一个新的容器实例,而不是使用测试夹具通过setUpMocks()设置的静态分配容器。这导致测试无法按预期工作。
根本原因分析
经过深入调查,发现问题的核心在于Swift的模块系统和SPM的编译方式:
-
静态变量作用域:Swift中静态变量默认具有模块级作用域。当使用SPM时,每个包都是独立编译的,这可能导致不同模块中存在相同静态变量的不同实例。
-
测试目标链接问题:当将模拟库目标链接到主应用程序测试目标时,可能会意外地导致模块代码被重复包含。特别是当ModuleBMocks包含ModuleB,而ModuleB又包含ModuleA时,容易形成依赖链导致容器实例重复。
-
对象标识不一致:通过打印
ObjectIdentifier可以观察到,在测试环境和主应用环境中,容器实例的标识符不同,证实了存在多个容器实例的问题。
解决方案
方案一:重构模拟代码结构
-
移除独立的模拟库目标:不再为每个模块创建单独的模拟库目标(如ModuleAMocks),而是将模拟代码直接包含在主模块中。
-
使用条件编译:通过定义编译标志来区分模拟环境和生产环境。
.target(
name: "ModuleA",
dependencies: [
.product(name: "Factory", package: "Factory")
],
path: "Sources",
swiftSettings: [
.define("MOCKING", .when(configuration: .debug))
]
)
- 集中管理模拟代码:在模块内部通过条件编译包含模拟代码:
#if MOCKING
public protocol ModuleAMocksProviding {
var demoRepositoryMock: DemoRepositoryMock! { get }
}
public extension ModuleAMocksProviding {
var demoRepositoryMock: DemoRepositoryMock! {
ModuleAContainer.shared.demoRepository() as? DemoRepositoryMock
}
}
#endif
方案二:统一容器访问
-
确保单例一致性:在测试代码中,直接操作主模块的容器实例,而不是通过模拟库中的副本。
-
简化测试设置:
@testable import ModuleA
final class DemoBuilderTests: XCTestCase, ModuleAMocksProviding {
override func setUpWithError() throws {
ModuleAContainer.setUpMocks()
demoRepositoryMock.getClassNameReturnValue = "DemoRepositoryMock"
}
}
最佳实践建议
-
避免将应用代码链接到测试目标:特别是核心框架代码(如Factory本身)不应链接到测试目标,以防止出现多个实例。
-
谨慎设计模块依赖:确保模块间的依赖关系清晰,避免循环依赖或过度嵌套。
-
统一容器管理:考虑使用应用程序级别的容器管理策略,确保在整个应用中容器实例的唯一性。
-
充分利用条件编译:合理使用编译标志来区分不同环境下的行为,保持代码整洁。
总结
在SPM模块化项目中使用Factory框架时,容器共享问题主要源于Swift的模块系统和SPM的编译特性。通过重构模拟代码结构、合理使用条件编译以及确保容器单例的一致性,可以有效解决这一问题。关键在于理解SPM模块隔离机制对静态变量的影响,并据此设计合理的代码组织结构。
对于大型模块化项目,建议采用集中式的依赖管理策略,并在早期就考虑测试环境的需求,以避免后期出现类似的集成问题。同时,定期检查模块间的依赖关系,确保不会因为过度嵌套而导致容器实例的意外复制。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00