Conan构建工具中依赖声明冲突导致的死锁问题解析
问题背景
在使用Conan构建工具时,开发者可能会遇到一种特殊的情况:当在同一个conanfile.py文件中以不同方式声明同一个依赖包时,会导致构建过程陷入死锁状态。这种情况通常发生在开发者无意中为同一个包设置了冲突的依赖声明。
问题重现
让我们通过一个典型示例来理解这个问题:
from conan import ConanFile
class DemoRecipe(ConanFile):
name = "test"
version = "1."
def requirements(self):
self.requires("cmake/3.31.6", build=True)
def build_requirements(self):
self.tool_requires("cmake/3.31.6", options={
"bad": True # 这个选项不需要是有效的
})
在这个例子中,开发者做了两件事:
- 在requirements()方法中声明cmake为构建依赖(build=True)
- 在build_requirements()方法中又通过tool_requires()声明了同一个cmake包,并添加了一个选项
问题现象
当运行上述配置时,Conan会在计算依赖图阶段陷入死锁状态,控制台会卡在类似以下输出:
======== Computing dependency graph ========
Graph root
cli
Requirements
test/1.#fbecceb6b2e0b7e8dc818d39256ca7aa - Cache
Build requirements
cmake/3.31.6#ed0e6c1d49bd564ce6fed1a19653b86d - Cache
问题根源分析
这个问题的根本原因在于Conan依赖解析机制中的一个特殊情况:
-
依赖特性冲突:当使用requires()和tool_requires()声明同一个包时,它们会设置不同的默认特性(如headers、libs、run等),导致Conan最初认为它们是不同的依赖。
-
选项的延迟评估:Conan在解析依赖时,会延迟评估选项的影响。当最终评估到shared=True选项时,它会强制设置run=True特性,这时两个声明实际上变成了相同的依赖。
-
Python OrderedDict的问题:在底层实现中,Python的OrderedDict在处理这种特殊情况时会陷入死循环,因为它无法正确处理具有相同键的字典项。
解决方案
Conan团队已经修复了这个问题,解决方案包括:
-
底层数据结构优化:将OrderedDict替换为Python原生的dict,因为现代Python版本中的dict已经是有序的,且能更好地处理这种情况。
-
最佳实践建议:
- 避免在requirements()方法中使用build=True声明构建依赖
- 应该统一在build_requirements()方法中使用tool_requires()
- 尽量避免在recipe中直接设置选项值,而应该通过profile文件来管理
开发者注意事项
为了避免遇到类似问题,开发者应该:
-
保持依赖声明的一致性:对于构建工具依赖,统一使用tool_requires()声明
-
理解依赖特性:了解requires()和tool_requires()在headers、libs、run等特性上的默认差异
-
谨慎使用选项:除非有特殊需求,否则避免在recipe中直接设置选项值
-
及时更新Conan版本:使用包含此修复的最新版本Conan
总结
这个案例展示了构建工具中依赖解析的复杂性,也提醒我们在使用构建工具时需要遵循最佳实践。Conan团队通过改进底层数据结构解决了这个问题,同时也为开发者提供了更清晰的依赖管理指导原则。理解这些原理有助于开发者编写更健壮、更高效的构建配置。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00