Enso项目中使用Bazel构建Rust解析器原生库的技术实践
2025-05-30 06:05:12作者:何举烈Damon
在Enso项目的开发过程中,构建系统一直是影响开发效率的重要因素。最近,项目团队针对enso_parser模块的原生库构建进行了重要改进,通过Bazel构建系统实现了跨平台的Rust代码编译,显著提升了构建效率。
背景与挑战
Enso作为一个跨平台的编程语言环境,其核心解析器enso_parser是用Rust编写的,需要通过JNI(Java Native Interface)与Java/Scala部分进行交互。传统构建方式存在几个痛点:
- 需要为每个目标平台单独编译Rust代码
- 构建流程依赖Cargo工具链
- 构建过程与sbt构建系统耦合紧密
- 开发环境配置复杂,特别是对于不熟悉Rust的开发者
这些问题导致构建过程耗时且容易出错,特别是在多平台开发场景下。
Bazel解决方案
项目团队通过引入Bazel构建系统,实现了以下关键改进:
1. 原生库的跨平台构建
创建了专门的Bazel规则//lib/rust/parser/jni:enso-parser-jni,开发者只需执行简单的构建命令即可生成目标平台的共享库文件:
bazel build //lib/rust/parser/jni:enso-parser-jni
构建完成后,在bazel-bin/lib/rust/parser/jni目录下会自动生成对应平台的共享库文件:
- Linux:
libenso_parser.so - Windows:
enso_parser.dll - macOS:
libenso_parser.dylib
2. Java接口代码生成
通过新增的enso-parser-generate-java规则,Bazel可以直接生成JNI所需的Java接口代码,完全消除了构建过程中对Cargo的直接调用。这一改进使得构建流程更加标准化,减少了对外部工具的依赖。
技术优势
这种改进带来了多方面的技术优势:
- 构建缓存:Bazel的缓存机制可以避免重复编译,特别是对于不常变动的解析器代码
- 跨平台一致性:统一的构建命令在不同平台上产生一致的结果
- 简化开发环境:开发者不再需要配置完整的Rust工具链
- 构建性能:并行构建和增量构建显著缩短了构建时间
- 可重现性:Bazel的沙箱机制确保了构建过程的可重现性
实施效果
这一改进使得Enso项目的构建流程更加高效和可靠。具体表现在:
- 开发者可以快速获取预编译的解析器库,无需等待本地编译
- CI/CD管道可以缓存编译结果,大幅减少构建时间
- 新成员加入项目时,环境配置更加简单
- 多平台构建更加容易管理
未来展望
虽然已经取得了显著进展,但仍有优化空间:
- 进一步简化sbt构建配置,使其完全依赖Bazel生成的产物
- 探索将更多组件迁移到Bazel构建系统
- 优化构建缓存的分发机制,加速团队协作
- 完善构建监控和性能分析工具
这次技术改进为Enso项目的持续发展奠定了更坚实的基础,展示了现代构建系统在复杂项目中的价值。通过标准化和自动化构建流程,团队可以将更多精力集中在核心功能的开发上,提高整体开发效率。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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
项目优选
收起
deepin linux kernel
C
24
8
暂无简介
Dart
643
149
Ascend Extension for PyTorch
Python
203
219
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
654
282
React Native鸿蒙化仓库
JavaScript
248
317
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.13 K
631
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
77
100
仓颉编译器源码及 cjdb 调试工具。
C++
130
861
仓颉编程语言运行时与标准库。
Cangjie
134
873