Apollo Kotlin 多风味构建中如何按需启用 GraphQL 代码生成
在 Android 多风味(Flavor)开发中,我们经常会遇到不同风味需要不同技术栈的场景。本文将以 Apollo Kotlin 为例,详细介绍如何在项目中实现仅针对特定风味启用 GraphQL 代码生成功能。
问题背景
假设我们有一个 Android 项目包含两种 API 连接方式:
rest风味:使用 Ktor 实现 REST APIgraphql风味:使用 Apollo Kotlin 实现 GraphQL API
我们希望只在 graphql 风味中启用 Apollo 的代码生成功能,而在 rest 风味中完全跳过这一步骤,以避免不必要的构建时间和依赖。
解决方案
1. 基础配置
首先在模块级 build.gradle.kts 中进行基本配置:
plugins {
alias(libs.plugins.apollo)
// 其他插件...
}
flavorDimensions += "apiType"
productFlavors {
create("rest") {
dimension = "apiType"
}
create("graphql") {
dimension = "apiType"
}
}
// 仅对 graphql 风味添加运行时依赖
"graphqlImplementation"(libs.apollo.runtime)
2. 关键配置:按风味连接代码生成
Apollo Kotlin 提供了 outputDirConnection 配置项,允许我们将生成的代码连接到特定的源集:
apollo {
service("service") {
packageNamesFromFilePaths()
srcDir("src/graphql/apollo")
generateKotlinModels.set(true)
outputDirConnection {
connectToAndroidSourceSet("graphql")
}
}
}
原理分析
这种配置方式利用了 Gradle 的任务依赖机制:
- 通过
connectToAndroidSourceSet("graphql")将生成的代码显式关联到graphql风味 - 构建系统会自动识别这种关联关系
- 当构建
rest风味时,Gradle 会跳过所有 Apollo 相关的代码生成任务 - 只有当构建
graphql风味时,才会执行完整的代码生成流程
进阶建议
-
目录结构优化:建议将 GraphQL 相关文件(如 .graphql 查询文件和 schema.json)放在
src/graphql/apollo目录下,保持清晰的代码结构 -
依赖管理:使用版本目录(version catalogs)管理 Apollo 相关依赖,确保版本一致性
-
构建性能:这种按风味连接的方式不仅能解决功能需求,还能显著提升
rest风味的构建速度
常见问题
Q: 为什么不能直接条件化应用插件? A: Gradle 插件应用是全局性的,无法在配置阶段根据风味条件化应用。我们的解决方案是在任务执行层面进行优化。
Q: 如果我有更多风味需要处理怎么办?
A: 同样的原理可以扩展到任意数量的风味,只需确保每个使用 Apollo 的风味都有对应的 connectToAndroidSourceSet 配置。
通过这种配置方式,我们实现了 Apollo Kotlin 在多风味项目中的精细化控制,既满足了不同风味的技术需求,又保持了构建系统的高效性。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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Jinja00
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00