Expensify/App Android端测试驾驶功能加载问题分析与解决方案
问题背景
在Expensify移动应用的Android版本中,用户在进行测试驾驶流程时遇到了一个关键性问题。当用户完成邮箱输入并点击"开始测试驾驶"按钮后,界面会陷入无限加载状态,无法正常进入后续的测试收据提交环节。这个问题在Android 14系统的三星Galaxy Z Fold 4设备上被首次发现并报告。
问题现象
用户操作路径如下:
- 启动Expensify应用
- 使用新Gmail账户登录
- 跳过工作邮箱页面
- 选择"跟踪和预算支出"功能
- 输入姓名并继续
- 在"带我们进行测试驾驶"模态框中输入邮箱
- 点击开始测试驾驶按钮
预期行为是应用应进入确认页面,向用户提交测试收据。但实际观察到的却是按钮持续加载,无法完成流程。
技术分析
经过开发团队深入排查,发现问题根源在于Android原生环境下处理静态资源的方式存在差异。具体表现为:
-
在调试模式下,
resolveAssetSource方法能够正确返回形如http://localhost:8081/xxxx的URI,使得文件下载流程可以正常进行。 -
但在发布模式下,
resolveAssetSource仅返回静态资源名称(如asset_1234),而非有效的URI地址。这导致react-native-blob-util无法正确下载文件。
日志分析显示以下关键错误信息:
java.net.MalformedURLException: no protocol- 表明URL格式不正确url == null- 表明请求构建时缺少有效URL- 客户端日志显示"Error reading test receipt" - 确认收据读取失败
解决方案
针对这一问题,开发团队提出了基于expo-file-system和expo-asset的替代方案:
-
使用
expo-asset的Asset.loadAsync方法加载资源,该方法能正确处理Android环境下的静态资源。 -
通过
expo-file-system的copyAsync方法将资源复制到本地文件系统,确保在调试和发布模式下都能正常工作。
核心代码修改包括:
- 替换原有的
resolveAssetSource和react-native-blob-util组合 - 实现新的文件处理逻辑,正确处理本地URI
- 添加完善的错误处理机制
兼容性考虑
值得注意的是,此问题不仅影响测试驾驶功能,也影响了McManager流程中的工具提示功能。经过版本回溯测试,发现该问题实际上自McManager测试功能发布(版本9.1.14-5)以来就一直存在。
解决方案特意针对Android平台进行了优化,同时保持iOS等其他平台的现有实现不变,确保不会引入新的兼容性问题。
总结
这个案例展示了React Native在跨平台开发中可能遇到的特定平台问题。通过深入分析Android资源加载机制,开发团队找到了既解决当前问题又保持代码简洁性的方案。这也提醒开发者在处理平台特定功能时,需要充分考虑不同构建模式下的行为差异。
该修复已随版本9.1.52-0部署到生产环境,经过7天回归测试后确认稳定,最终在版本9.1.53-7中完全解决。
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 StartedRust092- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00