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。
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-1.5暂无简介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
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
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