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 StartedRust0218
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0139
uni-appA cross-platform framework using Vue.jsJavaScript09
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
热门内容推荐
最新内容推荐
项目优选
收起
deepin linux kernel
C
32
16
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
471
465
Ascend Extension for PyTorch
Python
758
968
昇腾LLM分布式训练框架
Python
186
231
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
700
1.4 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
880
2.03 K
暂无描述
Dockerfile
780
5.08 K
🔥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
70
22
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.04 K
271
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
2.09 K
218