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。
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