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。
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