Apollo iOS 项目中 SPM 测试目标链接错误的解决方案
问题背景
在使用 Apollo iOS 1.18.0 版本时,开发者在 Swift Package Manager (SPM) 项目中遇到了一个典型的链接错误。当将 Apollo 生成的文件添加到主目标时能够正常构建,但在将这些文件同时添加到测试目标时,出现了 "Undefined symbols for architecture arm64" 的错误。
错误现象分析
该错误具体表现为测试目标无法找到主目标中定义的符号,特别是与 ApolloNetwork 相关的类型描述符和初始化方法。这种错误通常发生在以下几种情况:
- 目标依赖关系配置不正确
- 符号可见性问题
- 架构兼容性问题
问题根源
经过深入分析,发现问题的核心在于 SPM 包配置上存在两个关键问题:
-
目标重复引用:在 Package.swift 中,同一个目标被同时包含在两个不同的库产品中,这违反了 SPM 的设计原则。具体表现为 ModuleTarget 和 ApolloSchema 被同时包含在 ModuleTarget 和 ModuleTarget_UnitTests 两个库产品中。
-
依赖关系混乱:测试目标直接依赖了 Apollo 生成的代码目标,而不是通过主目标间接引用。这种设计会导致符号解析路径不清晰。
解决方案
方案一:重构 SPM 包结构
正确的 SPM 包配置应遵循以下原则:
-
单一职责原则:每个目标应该有明确的单一职责,避免交叉引用。
-
清晰的依赖链:测试目标应该只依赖主目标,而主目标则负责依赖 Apollo 相关组件和生成的代码。
-
合理的库产品划分:测试目标通常不应作为库产品导出。
修正后的 Package.swift 关键部分应类似如下结构:
.target(
name: "MainTarget",
dependencies: [
.product(name: "Apollo", package: "apollo-ios"),
.product(name: "ApolloAPI", package: "apollo-ios"),
"GeneratedCode"
]
),
.testTarget(
name: "MainTargetTests",
dependencies: ["MainTarget"]
)
方案二:使用独立的生成代码包
Apollo iOS 支持将生成的代码配置为独立的 SPM 包,这是更推荐的实践方式:
- 配置 codegen 输出为 SPM 包格式
- 将该包作为独立依赖引入主项目
- 主目标和测试目标通过包依赖关系共享生成的代码
这种方式更符合模块化设计原则,也更容易维护。
最佳实践建议
-
避免目标交叉引用:在 SPM 中,一个目标不应该被多个库产品直接包含。
-
合理组织测试依赖:测试目标应该通过主目标间接访问所有必要符号,而不是直接依赖底层组件。
-
考虑生成代码的可见性:确保生成的代码有适当的访问级别,既能够被测试目标访问,又不会过度暴露实现细节。
-
架构一致性检查:验证所有目标和依赖项都支持相同的架构(如 arm64)。
总结
在 Apollo iOS 项目中使用 SPM 时,合理的包结构设计是避免链接错误的关键。通过遵循清晰的依赖关系原则和模块化设计思想,可以有效地解决这类符号找不到的问题。对于 Apollo 生成的代码,最佳实践是将其配置为独立的 SPM 包或作为主目标的私有依赖,而不是在多个目标间共享。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00