解决multiplatform-settings在WASM平台下的Storage类访问问题
背景介绍
multiplatform-settings是一个优秀的Kotlin跨平台配置存储库,它允许开发者在Android、iOS、JVM和Web等多个平台上使用统一的API来管理应用配置。然而,在最新的Kotlin/WASM支持中,开发者可能会遇到一个特定问题:无法访问org.w3c.dom.Storage类。
问题现象
当开发者在WASM平台(wasmJsMain)下使用multiplatform-settings库时,可能会遇到编译错误,提示"Cannot access class 'org.w3c.dom.Storage'"。这个问题通常出现在尝试使用StorageSettings实现时。
问题根源
这个问题源于Kotlin 2.1.0-Beta2版本中对WASM标准库的调整。在此版本中,相关API被从标准库中移除,导致依赖这些API的代码无法编译通过。具体来说,Storage接口是Web Storage API的一部分,原本包含在Kotlin的标准库中,但在新版本中被移出。
解决方案
要解决这个问题,开发者需要显式添加kotlinx-browser依赖项。这个库包含了Web平台所需的各种DOM相关API,包括Storage接口。
对于使用multiplatform-settings 1.3.0及以上版本的项目,库本身已经包含了必要的依赖。但如果开发者仍然遇到问题,可以手动添加依赖:
// 在build.gradle.kts中
sourceSets {
val wasmJsMain by getting {
dependencies {
implementation("org.jetbrains.kotlinx:kotlinx-browser:0.9.0")
}
}
}
最佳实践
-
版本兼容性检查:确保使用的multiplatform-settings版本至少为1.3.0,这个版本已经解决了WASM平台的兼容性问题。
-
多平台配置:在共享模块中正确配置各平台的依赖关系,特别是wasmJsMain目标平台。
-
构建缓存清理:在添加新依赖后,建议清理构建缓存以确保所有更改生效。
技术原理
WASM平台下的本地存储访问依赖于浏览器的Web Storage API。在Kotlin/WASM中,这些API通过kotlinx-browser库提供。当标准库中的相关API被移除后,显式添加这个依赖就成为了必要步骤。
multiplatform-settings库在WASM平台下的StorageSettings实现正是基于这些API,因此需要确保运行时环境能够访问到org.w3c.dom.Storage接口及其实现。
总结
跨平台开发中,平台特定的依赖管理是一个常见挑战。multiplatform-settings库通过持续更新来适应各平台的变化,但开发者也需要了解这些底层机制。遇到类似问题时,检查平台特定依赖和库版本是首要的解决步骤。随着Kotlin多平台生态的成熟,这类问题将逐渐减少,但掌握基本的排查方法仍然是每个跨平台开发者的必备技能。
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