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。
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。C0105
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.Python059
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