Rime Weasel输入法Windows平台编译指南
Rime Weasel是一款优秀的开源输入法框架,本文将为开发者详细介绍在Windows平台下编译Rime Weasel输入法的完整流程和注意事项。
环境准备
在开始编译前,需要准备以下开发环境:
-
Visual Studio 2019/2022:建议使用Enterprise或Professional版本,必须包含C++开发组件、MFC和ATL支持。Community版本需要额外安装ATL组件。
-
CMake 3.30.3或更高版本:用于项目构建配置。
-
Python 3.12.5或兼容版本:部分构建脚本依赖Python环境。
-
LLVM Clang-Format 18.1.6:代码格式化工具。
-
NSIS 3.10或更新版本:用于生成安装包,旧版本会导致构建失败。
-
Git for Windows 2.46.0:源代码版本控制工具。
构建步骤详解
1. 获取源代码
使用Git克隆Weasel项目仓库到本地开发环境:
git clone https://github.com/rime/weasel.git
2. 环境变量配置
将以下路径添加到系统PATH环境变量中:
- MSBuild.exe所在路径(默认位于Visual Studio安装目录下的MSBuild/Current/Bin)
- 项目output目录路径
3. Boost库准备
- 下载Boost 1.84.0版本源码
- 解压到weasel/deps目录下
- 修改env.bat文件(基于env.vs2019.bat),确保BOOST_ROOT路径指向正确的Boost安装位置
- 执行install_boost.bat脚本完成Boost库的安装
4. 依赖项安装
运行github.install.bat脚本,该脚本会自动处理项目所需的其他依赖项。
5. 数据构建
执行build.bat data命令,构建输入法所需的数据文件。
6. 最终构建
运行build.bat installer命令完成最终构建并生成安装包。
常见问题解决方案
1. 编译警告处理
在构建过程中可能会遇到以下警告,这些警告通常不会影响功能:
-
localtime函数警告:编译器建议改用localtime_s函数,这是微软推荐的安全编程实践,但旧实现方式仍然可用。
-
未使用变量警告:某些局部变量声明但未使用,可以忽略或后续优化代码。
-
版本API弃用警告:SystemTraySDK.cpp中使用了GetVersionExW等已弃用API,建议更新为现代实现方式。
2. 路径不匹配警告
构建时可能出现TargetPath与Linker's OutputFile属性不匹配的警告,这是由于项目配置中输出路径设置不一致导致的。虽然不影响功能,但建议统一项目配置中的输出路径设置。
3. NSIS脚本错误
如果遇到NSIS脚本错误,特别是"_If宏参数不足"的错误,这通常是由于NSIS版本过旧导致的。解决方案是升级到NSIS 3.10或更新版本。
ARM64架构支持
对于ARM64设备的支持,需要注意:
-
默认构建脚本针对ARM64架构,如需构建x86/x64版本,需要修改构建参数。
-
安装路径会根据系统架构自动选择:
- ARM64设备:Program Files
- x64设备:Program Files (x86)
-
最新代码已优化对ARM64架构的支持,可以直接在VS2022下编译通过。
构建结果验证
成功构建后,将在output目录下生成以下关键文件:
- weasel.ime:输入法核心模块
- WeaselServer.exe:输入法服务程序
- 完整的安装包
安装后可在系统输入法设置中添加Rime输入法,并在各类应用程序中测试输入功能是否正常。
通过以上步骤,开发者可以在Windows平台上成功构建Rime Weasel输入法,并根据需要进行定制开发。构建过程中遇到问题时,建议仔细检查环境配置和依赖项版本,确保与项目要求一致。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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!Kotlin08
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