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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00