Pixie项目macOS CLI版本签名问题分析与解决
在Pixie项目的持续集成过程中,开发团队遇到了一个关于macOS平台命令行工具(CLI)版本签名的问题。这个问题直接影响了项目的发布流程,需要技术团队深入理解macOS应用签名机制的变化并找到合适的解决方案。
问题背景
Pixie项目在构建macOS平台的CLI工具时,使用了名为gon的工具进行代码签名和公证(notarization)流程。然而在最近的构建过程中,系统报错显示:"Notarization of MacOS applications using altool has been decommissioned. Please use notarytool"。
这个错误表明Apple已经弃用了原有的altool公证工具,转而推荐使用新的notarytool工具。这一变化是Apple对开发者工具链进行现代化改造的一部分,旨在提供更高效、更安全的代码签名和公证流程。
技术分析
macOS应用签名和公证是确保应用安全性的重要环节。签名验证应用的来源和完整性,而公证则是Apple对应用进行额外安全检查的过程。在macOS生态中,这一流程经历了几个阶段的演变:
- 传统签名工具:早期使用codesign进行签名,配合altool进行公证
- 过渡阶段:Apple开始推荐使用notarytool替代altool
- 当前阶段:altool已被完全弃用,强制使用notarytool
notarytool相比altool有几个显著优势:
- 更快的公证速度
- 更简洁的命令行接口
- 更好的错误报告
- 支持更现代的认证方式
解决方案
针对这一问题,Pixie团队采取了以下解决方案:
-
移除对gon工具的依赖:由于gon工具已不再维护,且其内部仍使用已被弃用的altool,团队决定完全迁移到Apple官方推荐的notarytool
-
重构构建脚本:
- 使用xcrun notarytool代替原有的公证流程
- 保持codesign进行基础签名
- 实现新的zip打包逻辑
-
自动化流程优化:
- 简化证书管理
- 改进错误处理机制
- 增加公证状态检查
实施细节
在实际实施过程中,团队需要注意以下几个技术要点:
-
证书配置:确保在CI环境中正确配置了开发者证书和公证凭证
-
时间戳服务:签名时需要指定合适的时间戳服务URL,确保签名长期有效
-
公证提交:正确构造提交包,包含所有必要的元数据
-
结果查询:实现自动化的公证结果查询机制,避免阻塞构建流程
经验总结
通过解决这一问题,Pixie团队获得了以下宝贵经验:
-
及时跟进平台变化:Apple开发者工具链更新频繁,需要保持对官方文档的关注
-
工具链简化:直接使用平台原生工具往往比第三方封装更可靠
-
构建流程弹性:CI/CD流程应该能够适应工具链的变化,避免过度依赖特定工具
-
安全实践:代码签名和公证流程是应用安全的基础,需要认真对待
这一问题的解决不仅恢复了Pixie项目的正常发布流程,也为团队未来处理类似平台迁移问题积累了经验。同时,新的公证流程更加高效可靠,为项目的持续交付提供了更好的基础。
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。C097
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