Azure Pipelines Tasks中.NET 9 SDK安装失败问题分析与解决方案
问题背景
在使用Azure Pipelines的UseDotNet@2任务安装.NET 9 SDK时,部分用户遇到了DirectoryNotFoundException异常。这个问题主要出现在Windows环境的Microsoft Hosted代理上,当尝试解压下载的.NET 9 SDK压缩包时发生。
错误现象
从日志中可以观察到,任务在下载.NET 9 SDK压缩包后,尝试使用PowerShell的System.IO.Compression.ZipFile::ExtractToDirectory方法解压时失败。错误信息显示无法找到路径的一部分,特别是当路径指向BuildHost-net472目录下的配置文件时。
根本原因
经过分析,这个问题实际上是由于Windows系统的长路径限制导致的。虽然错误表现为DirectoryNotFoundException,但本质上是因为解压过程中遇到了超过260个字符的路径长度限制。Windows默认情况下会限制路径长度,即使.NET的ExtractToDirectory方法有专门的PathTooLongException,在某些情况下仍可能表现为目录未找到异常。
解决方案
要解决这个问题,可以通过以下两种方法之一:
-
启用Windows长路径支持
在构建任务前添加一个PowerShell任务,执行以下命令启用长路径支持:Set-ItemProperty 'HKLM:\System\CurrentControlSet\Control\FileSystem' -Name 'LongPathsEnabled' -value 1 -
修改代理工作目录
将代理安装到更短的路径下,例如直接放在C盘根目录下,这样可以减少整体路径长度,避免触及限制。
最佳实践建议
-
对于使用自托管代理的情况,建议在代理安装前就启用长路径支持,避免后续出现类似问题。
-
在Azure Pipelines的YAML配置中,可以在UseDotNet@2任务前添加PowerShell任务来确保长路径支持已启用,如下所示:
- task: PowerShell@2 displayName: 启用长路径支持 inputs: targetType: inline script: Set-ItemProperty 'HKLM:\System\CurrentControlSet\Control\FileSystem' -Name 'LongPathsEnabled' -value 1 -
对于持续集成环境,考虑将这项配置作为代理初始化的一部分,确保所有构建都能受益。
技术深度解析
Windows系统的长路径限制是一个历史遗留问题,源于早期的文件系统设计。虽然现代Windows版本已经支持通过注册表启用长路径,但默认情况下仍然是关闭的。在构建和部署场景中,特别是像.NET SDK这样包含深层目录结构的大型软件包,很容易触及这个限制。
当使用System.IO.Compression.ZipFile::ExtractToDirectory方法时,如果遇到长路径问题,理论上应该抛出PathTooLongException。但在某些情况下,特别是当系统尝试创建中间目录时,可能会先表现为DirectoryNotFoundException。这种异常转换使得问题诊断变得不那么直观。
总结
Azure Pipelines中使用UseDotNet@2任务安装.NET 9 SDK时遇到的解压失败问题,主要是由于Windows系统的长路径限制导致的。通过启用系统的长路径支持或缩短工作目录路径,可以有效解决这个问题。对于持续集成环境,建议将长路径支持作为标准配置的一部分,以确保构建过程的稳定性。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00