Flutter-action 项目中的 Android SDK 依赖优化实践
2025-07-01 10:16:45作者:冯梦姬Eddie
在 Flutter 项目持续集成过程中,Android SDK 相关依赖的下载和配置往往是构建时间过长的罪魁祸首。本文将通过实际案例,深入分析如何优化这一环节,显著提升 CI/CD 流水线的执行效率。
问题现象分析
在 MacOS 环境的 GitHub Actions 中执行 Flutter APK 构建时,发现 assembleRelease 任务耗时高达 230 秒,远高于本地开发的 20 秒。通过日志分析,主要瓶颈在于:
- Android NDK、Build Tools 和 CMake 等依赖项的重复下载
- Gradle 依赖未有效缓存
- 项目配置强制使用旧版本工具链
核心优化方案
1. 基础环境配置优化
首先推荐使用 Ubuntu 作为构建环境而非 MacOS,因为 GitHub 提供的 Ubuntu 镜像已预装较新版本的 Android 工具链。基础配置示例如下:
jobs:
build:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v2
- uses: actions/setup-java@v4
with:
distribution: "temurin"
java-version: "21"
cache: "gradle"
cache-dependency-path: |
android/gradle/wrapper/gradle-wrapper.properties
android/build.gradle.kts
android/app/build.gradle.kts
2. Gradle 依赖缓存
利用 setup-java 动作的缓存功能,可以显著减少重复下载依赖的时间。关键配置包括:
- 指定缓存类型为 gradle
- 正确配置缓存依赖路径
- 注意不同 Flutter 版本生成的构建文件可能是 .gradle 或 .gradle.kts 后缀
3. Android 工具链管理
对于必须使用 MacOS 或需要特定版本工具链的场景,可采用以下优化手段:
# 强制使用镜像中预装的最新 NDK 版本
if [[ -n "$ANDROID_NDK_LATEST_HOME" ]]; then
ndkVersion=$(basename "$ANDROID_NDK_LATEST_HOME")
find . -type f -name "*.gradle*" -exec sed -i '' 's/flutter\.ndkVersion/"'"$ndkVersion"'"/g' {} +
fi
4. 智能缓存策略
实现精细化的 Android 工具缓存机制:
- name: Cache Android tools
uses: actions/cache@v4
with:
key: android-${{ runner.os }}-${{ runner.arch }}-$hash
path: |
$ANDROID_HOME/cmake/*
$ANDROID_HOME/ndk/*
$ANDROID_HOME/platforms/*
!$ANDROID_HOME/cmake/旧版本目录
!$ANDROID_HOME/ndk/旧版本目录
项目配置最佳实践
- 保持 Flutter 项目更新:定期执行 flutter upgrade 确保使用最新工具链
- 检查构建文件:确认 android/app/build.gradle 中未硬编码旧版本工具
- 日志分析:构建时添加 --verbose 参数识别耗时环节
- 依赖对齐:确保项目要求的 NDK、CMake 版本与 CI 环境预装版本一致
效果评估
通过上述优化措施,典型改进效果包括:
- 构建时间从 364.8 秒降至 281.9 秒(MacOS 环境)
- Ubuntu 环境下构建时间可进一步缩短至 200 秒以内
- 缓存命中后二次构建时间可减少 30-50%
这些优化不仅适用于 GitHub Actions,其原理同样可以应用于其他 CI/CD 平台,帮助开发团队显著提升交付效率。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
408
3.15 K
Ascend Extension for PyTorch
Python
226
252
暂无简介
Dart
674
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
321
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
React Native鸿蒙化仓库
JavaScript
263
326
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868