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。
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