React Native Screens 库中 libfbjni.so 冲突问题的分析与解决
问题背景
在使用 React Native 开发 Android 应用时,许多开发者遇到了一个常见的构建错误,特别是在集成 react-native-screens 库后。这个错误表现为在构建过程中出现 libfbjni.so 文件冲突,导致构建失败。该问题主要影响使用 React Native 0.76.x 版本和 react-native-screens 3.35.0 及以上版本的项目。
错误现象
当开发者在项目中添加 react-native-screens 库后,执行 Android Studio 的"Make Project"或"Rebuild Project"操作时,会遇到如下错误信息:
Execution failed for task ':react-native-screens:mergeDebugAndroidTestNativeLibs'
2 files found with path 'lib/arm64-v8a/libfbjni.so' from inputs:
错误表明系统在构建过程中发现了两个相同路径的 libfbjni.so 文件,一个来自 react-native-screens 的构建中间产物,另一个来自 React Native 的缓存目录。
问题根源
这个问题的本质是 Android 构建系统中的库文件冲突。libfbjni.so 是 Facebook 提供的 JNI 库,被 React Native 框架和 react-native-screens 库同时依赖。在构建过程中,Gradle 发现两个相同名称的库文件但来自不同路径,导致构建失败。
值得注意的是,这个问题通常只在使用 Android Studio 进行"Rebuild Project"时出现,而通过命令行构建 APK 或 bundle 时可能不会出现。
解决方案
1. 清理构建缓存
首先尝试清理项目构建缓存和 Gradle 缓存:
- 删除项目目录下的 node_modules 文件夹
- 删除 android/app/build 目录
- 删除 android/app/.cxx 目录
- 删除 android/build 目录
- 清理 Gradle 缓存 (~/.gradle/caches)
2. 修改 react-native-screens 的构建配置
如果清理缓存不能解决问题,可以修改 react-native-screens 库的构建配置,明确排除冲突的库文件:
在 node_modules/react-native-screens/android/build.gradle 文件中,找到 packagingOptions 部分,添加以下排除规则:
packagingOptions {
excludes = [
"META-INF",
"META-INF/**",
"**/libjsi.so",
"**/libc++_shared.so",
"**/libreact_render*.so",
"**/libreactnativejni.so",
"**/libreact_performance_timeline.so",
"**/libfbjni.so", // 新增排除规则
"**/libreactnative.so" // 新增排除规则
]
}
3. 使用 patch-package 持久化修改
为了避免每次安装依赖后都需要手动修改,可以使用 patch-package 工具来持久化这些修改:
- 安装 patch-package:
npm install patch-package --save-dev - 修改 node_modules/react-native-screens/android/build.gradle 文件
- 运行
npx patch-package react-native-screens - 这将在项目根目录创建 patches 文件夹,保存你的修改
预防措施
- 保持 React Native 和 react-native-screens 版本的最新状态
- 定期清理构建缓存
- 考虑在 CI/CD 流程中加入缓存清理步骤
- 对于团队项目,使用 patch-package 共享构建配置修改
总结
libfbjni.so 冲突问题是 React Native 生态系统中常见的构建问题之一,主要源于库之间的依赖关系管理。通过理解问题的本质并应用上述解决方案,开发者可以有效地解决这一构建障碍,确保项目的顺利构建和运行。
对于长期项目维护,建议关注 React Native 和 react-native-screens 的版本更新,因为官方可能会在未来版本中解决这类依赖冲突问题。
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-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