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
kernelopenEuler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。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
最新内容推荐
【免费下载】 国际学术会议Poster海报模板集合【免费下载】 正点原子串口调试助手 XCOM V2.6 下载 推荐项目:PyTorch-AdaIN - 实现艺术风格迁移的高效工具 Python-MIDI: 探索 MIDI 文件的奇妙世界 探索深度学习之美:VQ-VAE 2 PyTorch 实现详解【亲测免费】 探索`grpc-proxy`: 一个智能的gRPC代理服务【亲测免费】 分布式学习的新里程碑:FedLearner(联邦学习框架) 自动保存神器:`auto-save.nvim`【亲测免费】 Restreamer: 实时流媒体双向同步与分发的利器 探索 Ummy UI:一个现代前端框架的新星
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
474
3.54 K
React Native鸿蒙化仓库
JavaScript
287
339
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
224
92
Ascend Extension for PyTorch
Python
283
316
暂无简介
Dart
723
175
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
10
1
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++
849
441
🎉 (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
1.27 K
701
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19