Briefcase项目在macOS上代码签名问题的分析与解决
问题背景
在使用Briefcase工具打包基于PySide6的macOS应用时,开发者遇到了代码签名失败的问题,特别是在处理QtWebEngineCore框架时。这个问题主要出现在M1芯片的MacBook Pro运行Sonoma系统的环境下。
问题现象
当开发者尝试使用Briefcase构建包含QtWebEngineCore的PySide6应用时,代码签名过程会失败,错误信息显示无法对QtWebEngineCore框架进行签名。开发者最初尝试通过手动修改Briefcase源代码,在签名命令中添加--deep参数来解决问题,这种方法虽然临时有效,但不是最佳解决方案。
技术分析
经过深入调查,发现问题根源在于签名顺序的不合理。QtWebEngineCore.framework包含多个需要签名的组件:
- 主框架文件:Versions/A/QtWebEngineCore
- 帮助进程相关文件:
- Versions/A/Helpers/QtWebEngineProcess.app/Contents/MacOS/QtWebEngineProcess
- Versions/A/Helpers/QtWebEngineProcess.app
- Helpers/QtWebEngineProcess.app/Contents/MacOS/QtWebEngineProcess
- Helpers/QtWebEngineProcess.app
Briefcase当前的签名实现是按照父目录分组后,按反向字母顺序并行签名。这导致主框架文件(QtWebEngineCore)在帮助进程文件之前被签名,从而引发签名错误。
解决方案
正确的签名顺序应该是:
- 先签名所有子目录中的文件
- 最后签名主框架文件
具体来说,应该按照以下顺序签名:
- Versions/A/Helpers/QtWebEngineProcess.app/Contents/MacOS/QtWebEngineProcess
- Versions/A/Helpers/QtWebEngineProcess.app
- Helpers/QtWebEngineProcess.app/Contents/MacOS/QtWebEngineProcess
- Helpers/QtWebEngineProcess.app
- Versions/A/QtWebEngineCore
这种顺序确保了依赖关系的正确处理,使得签名过程能够顺利完成。
实施建议
对于Briefcase项目,建议修改签名逻辑,确保在签名任何目录中的文件之前,先签名该目录下的所有子目录内容。这可以通过调整文件排序算法实现,使得子目录总是排在父目录文件之前被处理。
临时解决方案
对于急需解决问题的开发者,可以采取以下临时措施:
- 确保项目中正确包含了PySide6-Addons和PySide6-Essentials
- 清理构建目录中的dist-info文件
- 重新运行构建命令
总结
macOS应用的代码签名是一个复杂的过程,特别是当应用包含嵌套框架时。Briefcase项目在处理QtWebEngineCore框架时的签名顺序问题,揭示了框架签名顺序的重要性。通过调整签名顺序,可以避免使用已被弃用的--deep参数,同时确保签名过程顺利完成。这一发现不仅解决了当前问题,也为处理类似框架签名问题提供了参考方案。
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