QtScrcpy安装包制作:Windows Installer与macOS DMG打包
QtScrcpy作为一款强大的Android设备控制工具,其安装包制作流程直接影响用户体验。本文将详细介绍Windows平台Installer与macOS平台DMG的打包全过程,包含环境配置、编译流程和自动化脚本解析,帮助开发者快速掌握跨平台安装包制作技巧。
环境准备与依赖配置
Windows环境配置
Windows平台打包需依赖Visual Studio和Qt环境变量配置。通过分析ci/win/build_for_win.bat脚本可知,系统需提前设置ENV_QT_PATH指向Qt安装目录,并根据架构(x86/x64)选择对应MSVC工具链:
set qt_cmake_path=%ENV_QT_PATH%\msvc2019\lib\cmake\Qt5 ; x86架构
set qt_cmake_path=%ENV_QT_PATH%\msvc2019_64\lib\cmake\Qt5 ; x64架构
编译前需删除历史输出目录,确保环境清洁:
rmdir /q /s %output_path% ; 清理输出目录
rmdir /q /s %temp_path% ; 清理临时目录
macOS环境配置
macOS平台通过ci/mac/build_for_mac.sh脚本配置环境,需设置ENV_QT_PATH并指定CPU架构(arm64/x64):
cmake_params="-DCMAKE_PREFIX_PATH=$qt_cmake_path -DCMAKE_BUILD_TYPE=$build_mode -DCMAKE_OSX_ARCHITECTURES=$cmake_arch"
依赖管理通过pip安装打包工具:
pip install -r $script_path/package/requirements.txt ; 安装dmgbuild等依赖
Windows Installer制作流程
编译与资源整合
Windows打包分为编译和发布两个阶段。编译阶段通过CMake生成Visual Studio项目并构建:
cmake %cmake_params% ../.. ; 生成项目文件
cmake --build . --config %build_mode% -j8 ; 并行编译
发布阶段通过ci/win/publish_for_win.bat整合资源,包括ADB工具、配置文件和Qt运行时:
xcopy %adb_path% %publish_path% /Y ; 复制ADB工具
xcopy %keymap_path% %publish_path%keymap\ /E /Y ; 复制按键映射配置
windeployqt %publish_path%\QtScrcpy.exe ; 部署Qt依赖
安装包优化
为减小安装包体积,脚本会清理冗余依赖:
rmdir /s/q %publish_path%\translations ; 删除翻译文件
del %publish_path%\imageformats\qgif.dll ; 保留必要图片格式插件
最终生成的绿色版程序可直接通过Inno Setup等工具封装为Installer。
macOS DMG打包详解
应用编译与签名
macOS编译流程与Windows类似,但需处理代码签名和架构适配。ci/mac/package_for_mac.sh调用Python脚本生成DMG配置:
python $script_path/package/package.py ; 生成DMG配置并打包
DMG制作核心配置
ci/mac/package/package.py使用dmgbuild库创建可视化安装界面,关键配置包括窗口大小、背景图片和文件布局:
info = {
'title': app_name,
'background': dmg_background_img, # 背景图片路径
'window': {
'position': {'x': 400, 'y': 200},
'size': {'width': 780, 'height': 480}
},
'contents': [
{'x': 223, 'y': 227, 'type': 'file', 'path': app_path}, # 应用位置
{'x': 550, 'y': 227, 'type': 'link', 'path': '/Applications'} # 应用程序文件夹链接
]
}
生成的DMG文件包含拖拽安装引导,符合macOS用户习惯。
自动化与CI集成
项目CI配置位于ci/linux/build_for_linux.sh等脚本中,支持GitHub Actions或GitLab CI自动构建。关键优化点包括:
- 版本号自动生成:通过ci/generate-version.py从git标签提取版本信息
- 多架构并行编译:利用CMake的
CMAKE_OSX_ARCHITECTURES参数实现Universal Binary - artifact管理:打包结果自动上传为CI制品
常见问题解决
依赖缺失问题
若出现windeployqt: command not found,需将Qt的bin目录添加到环境变量:
export PATH=$ENV_QT_PATH/clang_64/bin:$PATH ; macOS示例
DMG图标显示异常
确保ci/mac/package/dmg-background.jpg分辨率正确(建议780x480),并在配置中指定正确路径。
编译性能优化
通过调整并行编译参数-j8平衡CPU占用与编译速度,CI环境可设置为-j$(nproc)充分利用资源。
总结与扩展
QtScrcpy的跨平台打包流程通过自动化脚本实现了从代码到安装包的全流程覆盖,核心优势包括:
- 环境隔离:通过临时目录避免编译污染
- 资源按需部署:仅保留必要运行时依赖
- 多架构支持:同时构建x86/x64/arm64版本
未来可扩展方向:
- 引入NSIS或WiX Toolset实现Windows安装包自动生成
- 集成Sparkle框架实现macOS自动更新
- 通过Docker容器标准化构建环境
通过本文介绍的打包方法,开发者可快速构建专业的跨平台安装包,为用户提供无缝的安装体验。完整构建脚本可参考项目ci目录下的相关文件。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00