Accompanist 导航材料库迁移指南
2025-05-30 12:57:41作者:廉皓灿Ida
背景介绍
Google的Accompanist项目是一个为Jetpack Compose提供扩展功能的库集合,其中Navigation Material组件曾为开发者提供了在Compose中实现Material Design风格导航的功能。随着Jetpack Compose的持续发展,这些功能已被整合到官方库中,因此Accompanist中的Navigation Material组件已被标记为废弃。
迁移必要性
对于正在使用Accompanist Navigation Material的开发者来说,迁移到官方解决方案是必要的,原因有三:
- 长期维护保障:官方组件会持续获得Google团队的维护和更新
- 功能一致性:官方实现与Compose生态系统的其他部分有更好的集成
- 性能优化:官方组件针对最新版Compose进行了优化
迁移步骤详解
1. 依赖项变更
首先需要更新项目的构建配置文件:
// 移除旧的依赖
dependencies {
// 删除以下行
implementation "com.google.accompanist:accompanist-navigation-material:<version>"
// 添加新的依赖
implementation "androidx.navigation:navigation-compose:<最新版本>"
}
2. API替换
原Accompanist中的主要组件需要替换为官方实现:
- ModalBottomSheetLayout → 使用Compose Material中的
ModalBottomSheetLayout - 导航控制器 → 使用
rememberNavController()替代 - 导航图构建 → 使用
NavHost组件构建
3. 具体实现调整
原实现示例
ModalBottomSheetLayout(
sheetState = rememberModalBottomSheetState(ModalBottomSheetValue.Hidden),
sheetContent = { /* 内容 */ }
) {
/* 主内容 */
}
新实现示例
val scope = rememberCoroutineScope()
val sheetState = rememberModalBottomSheetState()
ModalBottomSheetLayout(
sheetState = sheetState,
sheetContent = { /* 内容 */ }
) {
/* 主内容 */
}
注意事项
- 动画行为差异:官方实现的动画曲线和行为可能与Accompanist版本略有不同,需要进行测试
- 状态管理:官方版本对状态管理有更严格的类型检查
- 兼容性:确保所有相关组件都更新到兼容版本
迁移后的优势
完成迁移后,开发者将获得以下好处:
- 更好的性能:官方实现针对Compose进行了深度优化
- 更长的支持周期:作为官方组件,将获得长期维护
- 更丰富的功能:可以无缝使用Navigation组件的最新功能
- 更简单的依赖管理:减少第三方依赖数量
总结
虽然迁移过程需要一定的工作量,但从长远来看,转向官方导航解决方案将为应用带来更好的稳定性和可维护性。建议开发者在下一个开发周期中规划这一迁移工作,以确保应用的持续健康发展。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
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++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.19 K
654
仓颉编程语言运行时与标准库。
Cangjie
141
878