Google Closure Compiler 与 Protobuf 3.25.6 兼容性问题解析
问题背景
Google Closure Compiler 是一个强大的 JavaScript 优化工具,能够对代码进行压缩、优化和类型检查。近期,当用户在使用 Closure Compiler 配合 Protocol Buffers (protobuf) 3.25.6 版本时,遇到了一个兼容性相关的异常问题。
异常现象
在运行过程中,系统会抛出以下错误:
java.lang.UnsupportedOperationException: As of 2022/09/29 (release 21.7) makeExtensionsImmutable should not be called from protobuf gencode...
该异常明确指出,从 protobuf 21.7 版本开始,makeExtensionsImmutable 方法不应再从生成的代码中调用。如果用户看到此消息,说明生成的代码存在潜在问题。
技术原因
这个问题的根源在于 Protocol Buffers 团队发现了一个潜在的兼容性问题。为了改进代码结构,protobuf 在 21.7 版本中引入了一个破坏性变更,移除了对 makeExtensionsImmutable 方法的支持。
当 Closure Compiler 使用 protobuf 3.25.6 版本时,由于编译器内部生成的代码仍然尝试调用这个方法,触发了这个保护机制,导致异常抛出。
解决方案
对于遇到此问题的用户,有以下几种解决途径:
-
升级 Closure Compiler:最新版本的 Closure Compiler 已经修复了这个问题,用户可以通过升级到最新版本来解决兼容性问题。
-
临时解决方案:如果暂时无法升级,可以通过设置 JVM 系统属性来调整行为:
-Dcom.google.protobuf.use_unsafe_pre22_gencode但需要注意,这会使得系统使用旧版代码生成方式。
-
降级 protobuf:如果项目环境允许,可以考虑降级到 protobuf 21.7 之前的版本,但这可能会影响其他功能。
最佳实践
对于生产环境,建议采取以下措施:
-
优先考虑升级到最新版本的 Closure Compiler,这是最可靠的解决方案。
-
如果必须使用旧版本,确保了解潜在的兼容性问题,并采取适当的措施。
-
定期检查项目的依赖关系,确保所有组件都保持最新状态。
技术影响
这个问题主要影响以下场景:
- 使用 Closure Compiler 进行 JavaScript 代码压缩和优化的构建流程
- 项目中同时依赖 protobuf 3.25.6 或更高版本
- 使用基于 protobuf 的序列化/反序列化功能
对于大多数前端构建场景,这个问题的实际影响相对较低,因为主要涉及的是构建时的代码生成过程,而非运行时环境。然而,遵循最佳实践仍然十分重要。
总结
Protocol Buffers 作为广泛使用的序列化框架,其更新需要开发者重视。Closure Compiler 团队已经跟进修复了这个问题,建议用户及时更新以避免兼容性问题。在软件开发中,保持依赖库的及时更新是维护项目稳定性的重要环节。
kernelopenEuler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。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00