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。
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