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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.89 K
暂无简介
Dart
671
156
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
261
322
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++
661
311
🎉 (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
1.2 K
654
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1