Compose Destinations 多导航图共享路由的技术实践
2025-06-25 09:02:07作者:何举烈Damon
背景介绍
在移动应用开发中,底部导航栏(Bottom Navigation)是常见的UI模式,每个标签页通常需要维护独立的导航栈。使用Compose Destinations库时,开发者可能会遇到需要在多个导航图中共享相同页面但保持独立导航栈的场景。
从V1到V2的架构演变
在Compose Destinations V1版本中,开发者可以通过routedIn和withinAPI动态地将相同的目的地添加到不同的导航图中。这种方式的典型实现是:
- 创建基础目的地集合
- 为每个底部标签页创建独立的导航图
- 将基础目的地集合添加到每个导航图中
- 最终合并成一个主导航图
这种方式虽然灵活,但存在类型安全问题,容易在运行时出错。
V2版本的改进方案
Compose Destinations V2版本移除了routedIn和withinAPI,转而采用更类型安全的方式:
多图注解方案
对于同一模块内的可组合函数,可以直接添加多个导航图注解:
@Destination<HomeGraph>
@Destination<ShopGraph>
@Composable
fun SharedScreen() { ... }
跨模块方案
当共享页面位于不同模块时,推荐的做法是:
- 在原始模块暴露普通可组合函数
- 在主模块创建多个目的地,每个对应一个导航图
- 每个目的地调用相同的可组合函数
// 在共享模块
@Composable
fun SharedScreenContent() { ... }
// 在主模块
@Destination<HomeGraph>
@Composable
fun HomeSharedScreen() = SharedScreenContent()
@Destination<ShopGraph>
@Composable
fun ShopSharedScreen() = SharedScreenContent()
实现底部导航的独立栈
要实现底部导航的独立导航栈,可以:
- 为每个标签页创建独立的导航图注解
- 在每个导航图中包含共享的目的地
- 使用
NavHost的start参数指定初始图
@NavHostGraph
annotation class MainGraph
@NavGraph<MainGraph>(route = "home")
annotation class HomeGraph {
@ExternalDestination<SharedScreen>(start = true)
companion object
}
@NavGraph<MainGraph>(route = "shop")
annotation class ShopGraph {
@ExternalDestination<SharedScreen>(start = true)
companion object
}
优势对比
V2版本的主要优势在于:
- 编译时类型安全 - 消除了运行时错误的风险
- 更清晰的代码结构 - 导航关系通过注解显式声明
- 更好的模块化支持 - 跨模块的导航更易于管理
- 更少的样板代码 - 无需手动管理路由映射
总结
Compose Destinations V2通过类型安全的注解方式,为多导航图共享路由提供了更可靠的解决方案。虽然需要调整原有的架构思路,但这种改变带来了更好的可维护性和更少的运行时错误。对于需要底部导航独立栈的应用,采用多图注解方案是最佳实践。
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
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥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