NowInAndroid项目中的Windows平台测试问题分析与解决
问题背景
在NowInAndroid项目的开发过程中,开发者在Windows操作系统上运行DemoDebug变体的本地测试时遇到了测试失败的问题。具体表现为运行./gradlew testDemoDebug命令时,测试无法通过,主要出现了两类错误:Robolectric原生运行时资源未找到错误和DataStore文件操作冲突错误。
问题分析
Robolectric原生运行时问题
测试失败的第一类错误是resource native/windows/x86_64/robolectric-nativeruntime.dll not found。这个问题源于项目使用的Roborazzi截图测试库,它内部依赖Robolectric的NATIVE GraphicsMode。虽然Robolectric从4.12版本开始增加了对Windows平台原生运行时(包括原生SQLite和图形模式)的支持,但在实际使用中仍然存在一些问题。
Windows操作系统对已打开的原生代码文件有更严格的保护机制。与Mac和Linux不同,在Windows上无法在同一个进程中删除已打开的原生运行时DLL临时文件。类似的问题也出现在字体文件的操作上。这导致了测试过程中资源访问冲突的问题。
DataStore文件冲突问题
第二类错误是Unable to rename user_preferences_test.pb.tmp的IO异常。这表明存在多个DataStore实例尝试操作同一个文件的情况。DataStore设计上要求对每个文件只能创建一个实例,当多个实例同时操作时就会出现这种文件重命名冲突。
这个问题与平台无关,是DataStore使用方式上的问题。Google团队已经意识到这个问题,并计划在未来的DataStore版本中解决。
解决方案
针对Robolectric问题的解决
-
版本升级:确保使用Robolectric 4.12或更高版本,这些版本已经增加了对Windows平台原生运行时的基本支持。
-
日志优化:Robolectric 4.12.1版本减少了Windows平台上的日志噪音,虽然不能完全解决根本问题,但能改善开发体验。
-
平台差异认知:开发者需要认识到不同平台(Linux/Mac/Windows)上的渲染结果可能存在差异。这是因为底层原生库(如skia、minikin等)有平台特定的实现细节。
针对DataStore问题的解决
-
单例模式:确保对每个DataStore文件只创建一个实例,避免多实例冲突。
-
等待官方修复:关注DataStore的后续版本更新,官方已承诺会解决这个问题。
测试建议
对于Windows平台的开发者,在进行NowInAndroid项目开发时:
- 理解某些测试(特别是涉及原生图形操作的测试)可能在Windows上表现不同
- 关注Robolectric和DataStore的版本更新,及时升级到修复了相关问题的版本
- 对于必须通过的测试,可以考虑在Linux或Mac环境下运行
- 对于截图比较测试,允许存在合理的平台差异
总结
NowInAndroid项目在Windows平台上的测试问题主要来自两个方面:Robolectric原生运行时的平台兼容性和DataStore的文件操作机制。通过版本升级、正确使用API以及对平台差异的正确认知,开发者可以有效地解决或规避这些问题。随着相关库的不断更新完善,这些问题的最终解决方案也在逐步推进中。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08