在Fruit项目中实现带构造参数的接口替换方案
2025-07-08 18:28:44作者:何将鹤
问题背景
在Fruit这个C++依赖注入框架中,开发者经常需要替换接口的不同实现。本文探讨一个典型场景:如何为JSON仓库实现添加特殊的构造参数,同时保持接口的通用性。
核心挑战
当我们需要将一个标准仓库实现替换为JSON仓库实现时,JSON仓库需要接收一个字符串参数作为数据存储后端。但标准仓库接口IRepository是一个通用接口,不应该包含JSON特有的方法。
解决方案
1. 修改实现类构造函数
首先修改JSON仓库实现类,使其构造函数接收字符串参数:
class JSONScalerRepositoryImpl : public IScalerRepository {
private:
std::string m_context;
public:
INJECT(JSONScalerRepositoryImpl(const std::string& json))
: m_context(json) {}
// ... 其他接口实现
};
2. 调整组件工厂函数
创建两个版本的组件工厂函数,一个用于标准实现,一个用于JSON实现:
// 标准实现工厂
fruit::Component<IScalerRepository> getScalerRepositoryDBComponent() {
// ... 标准实现
}
// JSON实现工厂,接收字符串指针
fruit::Component<IScalerRepository> getScalerJsonRepository(std::string* pJsonString) {
return fruit::createComponent()
.bind<IScalerRepository, JSONScalerRepositoryImpl>()
.bindInstance(*pJsonString); // 注意这里解引用
}
3. 创建测试组件
在测试组件中实现替换逻辑:
fruit::Component<ScalerFactory> getScalerTestComponent(std::string* pJsonString) {
return fruit::createComponent()
.replace(getScalerRepositoryDB)
.with(getScalerJsonRepository, pJsonString)
.install(getScalerComponent);
}
关键实现细节
-
指针传递:必须使用指针而非引用或值传递,因为Fruit内部需要能够存储和移动这些参数。
-
bindInstance使用:在组件工厂中,我们使用
bindInstance将解引用后的字符串绑定到注入系统中。 -
替换顺序:注意
.replace().with()必须在.install()之前调用,这是Fruit框架的要求。
替代方案对比
最初考虑过两种替代方案:
-
在接口中添加设置方法:这违反了接口隔离原则,会使通用接口包含实现特定的方法。
-
使用上下文对象:虽然可行,但需要额外定义结构体和哈希实现,增加了复杂度。
最终选择的指针方案最为简洁,且与Fruit的设计理念相符。
实际应用
在实际使用时,注入器的创建方式如下:
std::string jsonData = "..."; // JSON数据
Injector<ScalerFactory> injector(getScalerTestComponent, &jsonData);
这种方式确保了:
- JSON数据在注入时可用
- 不会污染通用接口
- 保持了代码的可测试性
总结
通过合理使用Fruit的依赖注入机制,我们成功实现了:
- 为特定实现添加构造参数
- 保持接口的纯净性
- 灵活替换不同实现
- 确保类型安全
这种模式可以推广到其他需要为接口实现添加特定构造参数的场景,是Fruit框架中一个实用的高级技巧。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
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
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-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
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
297
2.64 K
Ascend Extension for PyTorch
Python
128
152
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++
608
191
React Native鸿蒙化仓库
JavaScript
228
307
暂无简介
Dart
591
128
🎉 (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
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
496
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
47
77
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
179
64
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
456