Swift Composable Architecture 中 ObservableState 导致 UITextView 失效问题解析
问题背景
在 iOS 开发中,Swift Composable Architecture (TCA) 是一个流行的状态管理框架。近期在 iOS 17.4 以下版本中,开发者发现了一个与 @ObservableState 和 UITextView 相关的奇怪问题:当从可观察的 TCA 特性中呈现一个不可观察的特性时,如果该特性包含一个封装在 Representable 视图中的 UITextView,用户将无法在文本视图中输入任何内容。
问题现象
具体表现为:
- 在 iOS 17.2 和 17.3 设备上,当使用
@ObservableState呈现包含UITextView的视图时,文本视图无法接收输入 UITextView的委托方法会被触发,但textView.text属性始终为空字符串- 该问题在 iOS 17.4 及以上版本中不存在
- 纯 SwiftUI 实现或使用旧版 TCA API 时不会出现此问题
问题根源
经过深入分析,这个问题实际上是由于过度渲染导致的。当父特性是可观察的而子特性不可观察时,父特性会导致额外的重新渲染。UITextView 的 Representable 封装对这种过度渲染处理不佳,导致输入失效。
关键点在于:
- 当使用
WithPerceptionTracking包装不可观察的特性时,会导致任何状态变化都触发视图重新渲染 UITextView的 Representable 实现对这种频繁的重新渲染处理不够健壮- iOS 17.4 可能改进了这方面的处理逻辑
解决方案
推荐解决方案
最简单的解决方案是避免对不可观察的特性使用 WithPerceptionTracking。因为不可观察的特性本身不需要感知追踪,所以可以安全地移除包装:
.sheet(item: $destination) { destination in
switch destination {
case .compose:
// 对不可观察特性不使用 WithPerceptionTracking
ComposeView(store: store.scope(state: \.compose, action: \.compose))
case .observableCompose:
WithPerceptionTracking {
// 只有可观察特性需要包装
ObservableComposeView(store: store.scope(state: \.observableCompose, action: \.observableCompose))
}
}
}
其他可行方案
-
使用
@ObservationStateIgnored标记: 在父特性的状态中,可以使用@ObservationStateIgnored标记子特性状态,避免过度观察:@ObservableState struct State { @ObservationStateIgnored var compose = ComposeFeature.State() } -
统一使用可观察特性: 将子特性也迁移为可观察特性可以避免这个问题,但可能需要更多的迁移工作。
技术原理深入
这个问题揭示了 SwiftUI 和 UIKit 交互时的一些微妙之处:
-
Representable 视图的限制:
UIViewRepresentable桥接的 UIKit 组件对 SwiftUI 的渲染周期更为敏感,特别是在频繁重新渲染的情况下。 -
状态观察的粒度: TCA 的
@ObservableState提供了细粒度的状态观察,但不当使用可能导致不必要的重新渲染。 -
版本差异: iOS 17.4 可能优化了 SwiftUI 与 UIKit 组件在频繁更新时的交互方式,使得问题不再出现。
最佳实践建议
-
合理使用感知追踪: 只为真正需要观察变化的特性使用
WithPerceptionTracking。 -
版本兼容性考虑: 对于需要支持多个 iOS 版本的应用,应该进行充分的版本测试。
-
逐步迁移策略: 当从传统 TCA API 迁移到可观察 API 时,建议采用渐进式迁移,并充分测试各组件。
-
性能监控: 使用
_printChanges()调试工具监控状态变化,确保没有意外的过度渲染。
总结
这个问题展示了现代声明式 UI 框架与传统命令式 UI 组件交互时的复杂性。理解状态观察的机制和合理使用 TCA 的各种 API 是避免此类问题的关键。通过遵循推荐的最佳实践,开发者可以构建出既高效又稳定的应用程序。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00