解决Electron-Builder中使用Azure Trusted Signing时的文件路径问题
问题背景
在使用Electron-Builder构建Windows应用程序时,开发者JuanIrache尝试通过自定义签名脚本集成Azure Trusted Signing服务时遇到了一个棘手的问题。尽管签名脚本在手动执行时工作正常,但在通过electron-builder自动执行时却报出"File not found"错误。
问题现象
开发者配置了如下构建配置:
"build": {
"win": {
"target": "nsis",
"sign": "./scripts/sign.js"
}
}
签名脚本内容如下:
exports.default = async function ({ path }) {
const c = `path/to/signtool.exe sign -v -debug -fd SHA256 -tr http://timestamp.acs.microsoft.com -td SHA256 -dlib path/to/Azure.CodeSigning.Dlib.dll -dmdf ./signMetadata.json "${path}"`;
try {
const out = execSync(c, { stdio: 'inherit' });
console.log(out);
} catch (error) {
console.error(error);
}
};
当通过electron-builder执行时,报错:
SignTool Error: File not found: path/to/signable/file.exe
问题分析
-
表面现象:错误信息显示无法找到待签名的文件,但实际上文件路径是正确的。
-
关键发现:
- 手动执行完全相同的命令可以成功
- 在脚本中使用
existsSync检查文件存在性时,文件确实存在 - 错误信息可能具有误导性
-
根本原因:问题实际上出在脚本中其他相对路径的引用上,特别是
./signMetadata.json和path/to/Azure.CodeSigning.Dlib.dll这两个文件路径。当通过electron-builder执行时,工作目录可能与预期不同,导致相对路径解析失败。
解决方案
-
使用绝对路径:将所有文件引用改为绝对路径,确保无论从哪个目录执行都能正确定位文件。
-
路径规范化:使用Node.js的
path模块处理路径,确保跨平台兼容性。
修改后的脚本示例:
const path = require('path');
const { execSync } = require('child_process');
exports.default = async function ({ path: fileToSign }) {
// 使用绝对路径
const signtoolPath = path.resolve('path/to/signtool.exe');
const dlibPath = path.resolve('path/to/Azure.CodeSigning.Dlib.dll');
const metadataPath = path.resolve('path/to/signMetadata.json');
const command = `"${signtoolPath}" sign -v -debug -fd SHA256 -tr http://timestamp.acs.microsoft.com -td SHA256 -dlib "${dlibPath}" -dmdf "${metadataPath}" "${fileToSign}"`;
try {
const out = execSync(command, { stdio: 'inherit' });
console.log(out);
} catch (error) {
console.error('签名失败:', error);
throw error; // 抛出错误以便electron-builder能够捕获
}
};
最佳实践建议
-
路径处理:在构建脚本中始终使用绝对路径,避免相对路径带来的不确定性。
-
错误处理:完善错误处理逻辑,提供更清晰的错误信息,便于问题定位。
-
调试技巧:在脚本中添加调试信息,打印当前工作目录和完整命令,便于排查问题。
-
环境验证:在脚本开始时验证所有依赖文件的存在性,提前发现问题。
-
跨平台考虑:使用Node.js的
path模块处理路径分隔符,确保脚本在不同操作系统上的兼容性。
总结
在Electron-Builder中使用自定义签名脚本时,路径处理是需要特别注意的关键点。特别是当脚本被不同执行上下文调用时,工作目录可能发生变化,导致相对路径解析失败。通过使用绝对路径和Node.js的path模块,可以确保脚本在各种环境下都能可靠工作。这个案例也提醒我们,错误信息有时会具有误导性,需要全面检查所有可能的失败点。
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