在Conan中打包和复用CMake函数模块的最佳实践
2025-05-26 12:05:13作者:龚格成
背景介绍
在现代C++项目中,我们经常需要编写一些通用的CMake函数来简化构建过程。这些函数可能包括设置编译器标志、添加测试目标、配置代码生成等实用功能。传统做法是将这些函数直接放在项目代码库中,但随着项目规模扩大和多项目共享需求增加,更好的做法是将这些CMake函数模块化并打包分发。
项目结构示例
假设我们有一个典型项目结构如下:
my-app/
├─ cmake (submodule)/
│ ├─ usefulFunctions.cmake
├─ src/
│ ├─ main.cpp
├─ CMakeLists.txt
其中usefulFunctions.cmake包含了我们想要共享的CMake函数。
传统CMake安装方式
在纯CMake环境中,我们可以使用install命令来安装这些CMake函数文件:
include(GNUInstallDirs)
install(
FILES ${CMAKE_CURRENT_LIST_DIR}/usefulFunctions.cmake
DESTINATION ${CMAKE_INSTALL_LIBDIR}/cmake/
)
这种方式虽然可行,但缺乏版本管理和依赖解析能力,这正是Conan可以解决的问题。
使用Conan打包CMake函数模块
Conan提供了两种主要方式来共享CMake代码:
1. 作为工具依赖(tool_requires)
当你的CMake模块不包含任何特定于平台的代码,纯粹是构建辅助功能时,可以将其打包为工具依赖。
创建conanfile.py时需要注意:
from conan import ConanFile
class CMakeFunctionsConan(ConanFile):
name = "cmake_functions"
version = "1.0"
exports_sources = "usefulFunctions.cmake"
def package(self):
self.copy("usefulFunctions.cmake", dst="lib/cmake")
def package_info(self):
# 让使用者知道在哪里可以找到这个cmake模块
self.cpp_info.builddirs = ["lib/cmake"]
2. 作为常规依赖(requires)
如果你的CMake模块与特定库相关,可以作为常规依赖打包:
from conan import ConanFile
class MyLibraryConan(ConanFile):
name = "mylibrary"
version = "1.0"
exports_sources = "*.cmake", "src/*"
def package(self):
self.copy("*.cmake", dst="lib/cmake")
self.copy("*.h", dst="include")
self.copy("*.lib", dst="lib")
def package_info(self):
self.cpp_info.libs = ["mylibrary"]
self.cpp_info.builddirs = ["lib/cmake"]
在消费者项目中使用
在消费者项目的conanfile.py中:
# 对于工具依赖
tool_requires("cmake_functions/1.0")
# 对于常规依赖
requires("mylibrary/1.0")
然后在CMake中可以直接包含这些模块:
# 查找并包含我们的实用函数
include(usefulFunctions)
# 使用其中定义的函数
my_custom_function()
最佳实践建议
- 命名规范:为CMake模块使用独特的命名前缀,避免与其他包冲突
- 版本控制:每次修改CMake函数都应该升级版本号
- 文档说明:在包描述中清晰说明提供的CMake函数及其用法
- 测试验证:为CMake函数编写测试用例,确保它们在不同环境下正常工作
- 依赖管理:如果CMake函数依赖其他Conan包,确保正确声明这些依赖
常见问题解决
- 路径问题:确保在
package_info()中正确设置builddirs,这样CMake才能找到你的模块 - 作用域问题:注意CMake函数中使用的变量作用域,避免污染调用者的命名空间
- 兼容性问题:考虑不同CMake版本间的兼容性,使用适当的
cmake_minimum_required
通过将CMake函数模块打包为Conan包,我们可以实现跨项目的代码复用,同时享受Conan提供的版本管理和依赖解析功能,大大提高了C++项目的可维护性和协作效率。
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 StartedRust0172
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 Notebook098
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
BitCPM-CANN-8BBitCPM-CANN 是首个基于华为昇腾 NPU 原生构建的端到端 1.58 位(三值化)大语言模型训练系统。该系统将量化感知训练(QAT)集成到 Megatron-LM 框架中,并结合 MindSpeed 加速,覆盖了从自定义三值算子到基于昇腾 910B 的分布式并行训练的完整训练栈。Python00
MiniCPM5-1BMiniCPM5-1B,这是 MiniCPM5 系列的首款模型。它是一个专为端侧、本地部署和资源受限场景打造的 10 亿参数密集型 Transformer 模型,达到了 10 亿参数级开源模型的 SOTA 水平Jinja00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0239
项目优选
收起
deepin linux kernel
C
32
16
暂无描述
Dockerfile
750
4.87 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
1.58 K
172
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++
841
1.84 K
Ascend Extension for PyTorch
Python
689
834
CANN 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 Notebook
229
97
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
451
418
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++
1.02 K
1.04 K
暂无简介
Dart
999
259
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++
642
1.27 K