使用Conan Workspace实现CMake多项目仓库的依赖管理
2025-05-26 15:47:55作者:裘晴惠Vivianne
前言
在现代C++开发中,多项目仓库(Monorepo)的组织方式越来越受到欢迎,特别是对于包含多个相互依赖的库和可执行项目的大型代码库。本文将详细介绍如何使用Conan的Workspace功能来管理这种复杂场景下的依赖关系。
Conan Workspace简介
Conan Workspace是Conan包管理器提供的一个孵化阶段功能,专门用于解决多项目仓库中的依赖管理问题。它允许开发者:
- 将多个本地项目声明为"可编辑"状态
- 建立项目间的依赖关系
- 支持从根目录构建整个项目集合
- 保持与单独打包发布的能力
典型项目结构分析
一个典型的多项目仓库可能包含以下组件:
- 多个核心库(lib_core, lib_fleet等)
- 若干应用程序(app1, app2等)
- 共享的第三方依赖
传统的CMake通过add_subdirectory可以方便地组织这种结构,但当需要独立版本控制和发布时,就需要更精细的依赖管理。
配置Conan Workspace
基础配置
创建一个conanws.yml文件定义工作区:
editables:
lib_core/0.0.1:
path: Core
lib_fleet/0.0.1:
path: fleet
app1/0.0.1:
path: apps/app1
products:
- apps/app1
workspace_generators: cmake
各项目的conanfile.py
每个子项目需要自己的conanfile.py,例如:
from conan import ConanFile
from conan.tools.cmake import CMake, cmake_layout
class LibCoreConan(ConanFile):
name = "lib_core"
version = "0.0.1"
settings = "os", "arch", "compiler", "build_type"
options = {"shared": [True, False]}
default_options = {"shared": False}
exports_sources = "CMakeLists.txt", "src/*", "include/*"
requires = ("boost/1.87.0", "openssl/3.4.1")
def layout(self):
cmake_layout(self)
def build(self):
cmake = CMake(self)
cmake.configure()
cmake.build()
def package(self):
cmake = CMake(self)
cmake.install()
def package_info(self):
self.cpp_info.libs = ["lib_core"]
构建流程
初始化工作区
conan workspace install
此命令会:
- 解析所有依赖关系
- 生成必要的构建文件
- 创建CMake预设配置
构建整个项目
cmake --preset conan-release
cmake --build build/Release -j4
构建特定目标
cmake --build build/Release --target lib_core
高级用法
多配置构建
Workspace支持同时管理多个构建配置(Release/Debug等),CMake预设文件会自动包含所有配置的生成器。
独立打包
虽然Workspace提供了整体构建能力,但每个库仍可独立打包发布:
cd Core
conan create .
最佳实践建议
- 保持简单:开始时只配置必要的editables和products
- 逐步迁移:从单个库开始,逐步添加其他组件
- 版本一致:确保工作区中各项目的版本号协调一致
- CI集成:在CI中同时测试整体构建和独立打包
- 文档记录:为团队维护清晰的Workspace配置说明
常见问题解决
- 缺少CMake预设文件:确保使用了正确的workspace_generators配置
- 依赖解析失败:检查各conanfile.py中的requires是否一致
- 构建类型不匹配:确认所有项目使用相同的settings配置
总结
Conan Workspace为C++多项目仓库提供了强大的依赖管理能力,既保持了整体构建的便利性,又不失独立组件的灵活性。虽然目前仍处于孵化阶段,但其设计理念和功能已经能够满足大多数复杂项目的需求。对于正在考虑如何组织大型C++代码库的团队,Conan Workspace无疑是一个值得认真评估的解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥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
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781