在CMake项目中使用glog库的两种方式
2025-05-30 11:14:29作者:齐冠琰
在CMake项目中集成第三方库是开发过程中常见的需求。本文将介绍如何在CMake项目中正确使用Google的glog日志库,重点对比两种不同的集成方式:直接使用add_subdirectory和使用FetchContent模块。
直接使用add_subdirectory方法
glog库的文档中推荐使用add_subdirectory方法来集成。这种方法适用于已经将glog源码作为子模块包含在项目中的情况。具体做法是:
- 将glog仓库作为git子模块克隆到项目目录中
- 在主CMakeLists.txt文件中使用add_subdirectory命令包含glog目录
这种方法的优点是简单直接,缺点是需要在项目中显式包含glog源码,增加了项目体积。
使用FetchContent模块方法
CMake 3.11引入的FetchContent模块提供了一种更灵活的依赖管理方式。它可以在配置阶段自动下载和管理外部依赖。使用FetchContent集成glog的正确做法是:
FetchContent_Declare(
glog
GIT_REPOSITORY https://github.com/google/glog.git
GIT_TAG v0.6.0
)
FetchContent_GetProperties(glog)
if(NOT glog_POPULATED)
FetchContent_Populate(glog)
add_subdirectory(${glog_SOURCE_DIR} ${glog_BINARY_DIR})
endif()
关键点在于必须同时指定SOURCE_DIR和BINARY_DIR参数,否则会导致glog的头文件模板(.h.in)无法正确生成实际头文件。
两种方法的比较
- 项目结构:add_subdirectory需要显式包含源码,而FetchContent在配置阶段自动处理
- 灵活性:FetchContent可以指定特定版本,更适合依赖管理
- 构建隔离:FetchContent可以更好地隔离主项目和依赖项的构建过程
- 适用场景:对于长期稳定的项目,add_subdirectory更简单;对于需要灵活管理依赖的项目,FetchContent更合适
常见问题解决
在使用glog时,开发者可能会遇到头文件未生成的问题。这通常是由于:
- 没有正确指定构建目录
- CMake配置阶段没有完成模板处理
- 构建顺序不正确
确保按照上述正确方式使用FetchContent,并检查构建目录设置,可以避免这类问题。
通过理解这两种集成方式的区别和适用场景,开发者可以根据项目需求选择最合适的glog集成方案。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
677
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
116
昇腾LLM分布式训练框架
Python
178
220