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
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 StartedRust0117- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
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
SenseNova-U1-8B-MoT-SFTenseNova U1 是一系列全新的原生多模态模型,它在单一架构内实现了多模态理解、推理与生成的统一。 这标志着多模态AI领域的根本性范式转变:从模态集成迈向真正的模态统一。SenseNova U1模型不再依赖适配器进行模态间转换,而是以原生方式在语言和视觉之间进行思考与行动。Python00
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
项目优选
收起
暂无描述
Dockerfile
718
4.58 K
Ascend Extension for PyTorch
Python
584
719
deepin linux kernel
C
28
16
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++
975
960
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
419
364
Claude 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 Started
Rust
767
117
🎉 (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
1.63 K
957
昇腾LLM分布式训练框架
Python
154
180
Oohos_react_native
React Native鸿蒙化仓库
C++
342
390
暂无简介
Dart
957
238