Apache APISIX 源码构建中 make undeps 命令的故障分析与解决方案
2025-05-15 06:15:56作者:彭桢灵Jeremy
问题背景
在基于 Ubuntu 22.04 系统从源码构建 Apache APISIX 时,开发人员可能会遇到一个典型的构建系统问题:执行 make undeps 命令时出现错误。这个命令本应用于清理项目依赖,但却意外失败,导致依赖清理不彻底。
错误现象
当执行 make undeps 命令时,系统会报出以下错误信息:
[ info ] undeps -> [ Start ]
luarocks purge --tree=deps
/bin/bash: /usr/local/bin/luarocks: /usr/local/openresty/luajit/bin/luajit: bad interpreter: No such file or directory
make: *** [Makefile:147: undeps] Error 126
从错误信息可以看出,系统在尝试执行 luarocks 命令时,找不到 LuaJIT 的解释器路径。
根本原因分析
通过对 APISIX 构建系统的 Makefile 文件分析,我们发现问题的根源在于依赖清理的顺序不合理。具体来说:
make undeps命令首先会执行uninstall-runtime目标uninstall-runtime目标会删除/usr/local/openresty目录- 然后才会执行
luarocks purge --tree=deps命令 - 由于 LuaRocks 需要 LuaJIT 解释器来执行,而 LuaJIT 已经被删除,导致命令失败
这种执行顺序的设计缺陷导致了关键依赖在需要时已经不可用。
解决方案
解决这个问题的关键在于调整依赖清理的顺序。正确的做法应该是:
- 先使用 LuaRocks 清理项目依赖
- 然后再移除运行时环境
这样就能确保在执行 LuaRocks 命令时,所需的 LuaJIT 解释器仍然可用。
具体到 Makefile 的修改,应该将 undeps 目标的依赖关系进行调整,或者将清理步骤重新排序。一个合理的实现方式是将 uninstall-runtime 从 undeps 的依赖中移除,改为在最后执行。
深入理解构建系统
这个问题也反映了理解构建系统工作原理的重要性。在开发基于 OpenResty 的项目时,有几个关键点需要注意:
- 依赖管理层次:APISIX 的依赖分为系统级依赖(如 OpenResty)和项目级依赖(通过 LuaRocks 管理)
- 清理顺序原则:应该按照与安装相反的顺序进行清理,同时确保每个清理步骤所需的工具仍然可用
- 环境隔离:考虑使用虚拟环境或容器化技术可以避免这类系统级依赖问题
最佳实践建议
为了避免类似问题,建议开发者在处理 APISIX 构建时:
- 在干净的构建环境中进行测试
- 分步骤执行清理命令,而非直接使用
make undeps - 考虑使用 Docker 容器进行构建和测试,实现环境隔离
- 对于复杂的构建系统,先阅读 Makefile 了解各目标的依赖关系
总结
构建系统的可靠性对于项目的开发和维护至关重要。通过分析 APISIX 中 make undeps 命令失败的原因,我们不仅解决了具体问题,也加深了对构建系统设计原则的理解。合理的清理顺序和依赖管理是确保构建系统稳定性的关键因素。
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
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
暂无简介
Dart
672
157
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218