Fruit项目在Linux下使用Bazel构建的注意事项
在开发过程中,我们经常会遇到需要将第三方库集成到项目中的情况。本文将以Google开发的Fruit依赖注入框架为例,重点讨论在Linux系统下使用Bazel构建工具时可能遇到的一个典型问题及其解决方案。
问题背景
Fruit项目提供了多种构建方式,其中Bazel是支持的一种构建系统。当开发者尝试通过Bazel的http_archive规则下载并构建Fruit作为项目依赖时,可能会遇到构建失败的情况。具体表现为:在设置strip_prefix参数为"fruit-master/extras/bazel_root"后,BUILD文件会被删除,导致extras/bazel_root/third_party/fruit下的符号链接失效。
问题分析
这个问题的根源在于Bazel的http_archive规则在处理压缩包时对符号链接的处理方式。当从GitHub下载Fruit的master分支压缩包时,项目中存在一些BUILD文件的符号链接。http_archive在解压过程中会删除这些符号链接指向的实际BUILD文件,导致符号链接失效。
解决方案
经过项目维护者的确认,目前有以下两种可行的解决方案:
-
使用git_repository替代http_archive
这是官方推荐的解决方案。git_repository能够更好地处理项目中的符号链接问题。配置示例如下:git_repository( name = "fruit", remote = "https://github.com/google/fruit.git", commit = "master", ) -
修改项目结构(不推荐)
理论上可以通过重构项目目录结构或将BUILD文件中的路径引用从//third_party/fruit/foo改为//foo来解决,但这会影响项目的维护性,特别是对于需要与Google内部代码库同步的情况。
技术建议
对于依赖管理,建议开发者:
- 优先使用git_repository而不是http_archive,特别是在项目包含符号链接时
- 考虑将第三方依赖的版本固定到特定commit而非分支,以提高构建的确定性
- 对于复杂的项目结构,可以创建本地镜像或使用更精细的strip_prefix设置
总结
在集成Fruit或其他类似项目时,理解构建工具对项目结构的处理方式非常重要。Bazel作为现代构建工具,虽然功能强大,但在处理特殊文件结构时仍有一些需要注意的地方。通过选择合适的依赖获取方式,可以避免类似问题的发生,确保构建过程的顺利进行。
对于Bazel工具链本身,这个问题也反映了http_archive在处理符号链接时的局限性,值得向Bazel团队反馈以期待未来的改进。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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