WMRouter 开源路由框架教程
项目介绍
WMRouter 是一款基于组件化设计思路的 Android 路由框架,由美团开发并开源。它主要提供 URI 分发和 ServiceLoader 两大功能,适用于多工程之间的页面跳转、动态下发 URI 链接的跳转等场景。WMRouter 的特点包括支持多 scheme、host、path,支持 URI 正则匹配,以及完全组件化设计,核心组件均可扩展、按需组合,实现灵活强大的功能。
项目快速启动
添加依赖
首先,在项目的 build.gradle 文件中添加 WMRouter 的依赖:
dependencies {
implementation 'io.github.meituan-dianping:router:1.2.1'
}
初始化 WMRouter
在应用的 Application 类中初始化 WMRouter:
public class MyApplication extends Application {
@Override
public void onCreate() {
super.onCreate();
// 初始化 WMRouter
WMRouter.init(this);
}
}
配置路由
使用注解配置路由:
@RouterUri(path = "/main/activity")
public class MainActivity extends AppCompatActivity {
// 你的代码
}
跳转页面
使用 WMRouter 进行页面跳转:
WMRouter.getInstance().build("/main/activity").navigation();
应用案例和最佳实践
页面跳转
WMRouter 支持多 scheme、host、path,可以灵活配置页面跳转:
WMRouter.getInstance().build("wm_router://page/main").navigation();
拦截器
使用拦截器在跳转前执行同步/异步操作,例如定位、登录等:
WMRouter.getInstance().addGlobalInterceptor(new GlobalInterceptor() {
@Override
public void intercept(final UriRequest request, final InterceptorCallback callback) {
// 执行拦截操作
callback.onContinue(request);
}
});
降级策略
配置全局和局部降级策略,保证关键功能的正常工作:
WMRouter.getInstance().setGlobalOnCompleteListener(new OnCompleteListener() {
@Override
public void onSuccess(UriRequest request) {
// 跳转成功
}
@Override
public void onError(UriRequest request, int resultCode) {
// 跳转失败,执行降级逻辑
}
});
典型生态项目
WMRouter 已经被广泛应用于美团外卖、美团外卖商家版、美团、大众点评等项目中。这些项目通过 WMRouter 实现了高效的页面跳转和模块解耦,提高了开发效率和应用性能。
美团外卖
美团外卖通过 WMRouter 实现了多工程之间的页面跳转和动态下发 URI 链接的跳转,提高了用户体验和开发效率。
美团外卖商家版
美团外卖商家版利用 WMRouter 的 ServiceLoader 模块,实现了模块间的解耦和通信,便于实现组件化和模块间通信。
美团
美团通过 WMRouter 实现了页面 A/B 测试和动态配置,根据不同的需求动态下发一组路由表,相同的 URI 跳转到不同的一组页面。
大众点评
大众点评使用 WMRouter 进行页面跳转和拦截操作,确保关键功能的正常工作,并提供友好的用户提示。
通过以上案例,可以看出 WMRouter 在实际项目中的应用广泛,能够有效提升开发效率和应用性能。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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