Rebar3中CT测试与编译钩子的工作目录差异问题分析
2025-07-09 08:09:39作者:邬祺芯Juliet
问题背景
在使用Rebar3构建Erlang项目时,特别是包含NIF(C语言扩展)的umbrella项目,开发者经常会遇到一个棘手的问题:ct(Common Test)钩子和compile钩子在执行时的工作目录($PWD)不一致,导致构建和测试流程出现异常。
现象描述
在一个典型的umbrella项目结构中:
项目根目录
- apps
- -- 应用A
- -- 应用B
当在项目根目录执行rebar3 ct命令时,会出现以下现象:
compile钩子会在应用目录下执行(如apps/应用A)ct钩子却会在项目根目录下执行
这种差异会导致基于路径的构建命令(如CMake)无法正确找到源文件,特别是当需要为NIF编写单元测试时,这个问题尤为突出。
技术原理分析
Rebar3钩子执行机制
Rebar3的钩子执行遵循特定的规则:
- 应用级钩子:定义在应用目录的
rebar.config中,执行时会切换到该应用目录 - 项目级钩子:定义在项目根目录的
rebar.config中,执行时保持在项目根目录
CT测试的特殊性
Common Test(CT)在Rebar3中有特殊处理:
- CT测试被视为全局性操作,而非应用级操作
- 所有测试用例会被收集到同一个目录(
_build/test/extras/tests) - 日志文件也统一存放在全局目录(
_build/test/logs)
这种设计导致ct钩子始终在项目根目录执行,与应用级的compile钩子行为不一致。
解决方案
方案一:使用项目级配置
将所有构建配置移到项目根目录的rebar.config中:
{pre_hooks, [
{ct, "cmake命令"},
{compile, "cmake命令"}
]}.
优点:
- 保证所有钩子在同一目录下执行
- 配置集中管理
缺点:
- 失去了应用级别的隔离性
- 不适合需要应用独立配置的场景
方案二:使用环境变量控制
通过Rebar3的profile机制控制构建行为:
- 在
rebar.config中定义profile:
{profiles, [
{unit, [
{shell_hook_env, [
{"BUILD_UNIT_TESTS", "1"}
]}
]}
]}.
- 在应用配置中根据环境变量调整构建:
{pre_hooks, [
{compile, "cmake -DMYLIB_UNIT_TESTS=${BUILD_UNIT_TESTS}"},
{ct, "/bin/sh -c '[ -z ${BUILD_UNIT_TESTS+x} ] || ctest命令'"}
]}.
优点:
- 保持应用级别配置
- 灵活控制测试行为
- 可通过
rebar3 as unit ct触发特定构建
方案三:自定义测试命令
对于NIF单元测试,可以考虑:
- 将C测试作为独立的构建目标
- 通过自定义Rebar3命令来运行
- 与Erlang的CT测试分开管理
最佳实践建议
-
简单项目:采用项目级配置,统一工作目录
-
复杂umbrella项目:
- 使用环境变量控制不同构建场景
- 考虑将C测试与Erlang测试分离
- 为NIF测试编写专门的Makefile或CMake脚本
-
长期维护:
- 文档化构建流程
- 在CI中明确区分不同测试阶段
- 考虑使用容器化构建环境消除路径依赖
总结
Rebar3中ct与compile钩子的工作目录差异源于其设计理念:CT被视为全局操作,而编译是应用级操作。理解这一设计原理后,开发者可以通过调整配置策略或引入环境变量控制来解决路径问题。对于包含NIF的复杂项目,建议采用方案二的profile机制,既能保持灵活性,又能确保构建可靠性。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0152- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
733
4.75 K
Ascend Extension for PyTorch
Python
618
795
openEuler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。
C
433
395
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++
1.01 K
1.01 K
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.18 K
152
deepin linux kernel
C
29
16
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
145
237
暂无简介
Dart
983
252
昇腾LLM分布式训练框架
Python
166
198
🎉 (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
1.68 K
989