Compose Destinations项目中处理不同构建类型的深度链接方案
在Android应用开发中,我们经常需要为调试版和发布版配置不同的深度链接(Deep Link)方案。本文将详细介绍在使用Compose Destinations库时,如何优雅地处理这种需求。
问题背景
在Compose Destinations项目中,开发者尝试通过注解方式为不同构建类型(debug/release)配置不同的深度链接URL。具体表现为:
- 在
@Destination注解中声明深度链接模式 - 使用
BuildConfig变量区分不同构建类型的URL方案 - 在AndroidManifest中通过占位符配置不同的scheme
然而,这种实现方式会导致运行时崩溃,错误提示为"NavDeepLink必须包含uri、action和/或mimeType"。
根本原因分析
问题出在注解处理阶段。Compose Destinations的注解处理器在编译时处理@Destination注解,而此时BuildConfig类尚未生成,导致无法正确解析深度链接的URL模式。注解中的常量必须在编译时就能确定其值。
解决方案
Compose Destinations从2.1.0-beta07版本开始,提供了运行时添加深度链接的能力。这是处理不同构建类型深度链接的正确方式。
实现步骤
-
移除注解中的动态深度链接: 在
@Destination注解中只保留静态的深度链接模式,移除依赖BuildConfig的部分。 -
创建自定义的DestinationStyle: 实现
DestinationStyle接口,用于在运行时添加额外的导航配置。 -
在应用启动时注册动态深度链接: 使用
DestinationsNavHost的navGraph参数,在构建导航图时添加特定于构建类型的深度链接。
示例代码
// 1. 定义DestinationStyle
class CustomDestinationStyle : DestinationStyle {
override fun apply(navGraphBuilder: NavGraphBuilder, destination: DestinationSpec) {
if (destination.route == "blockScheduleRoute") {
navGraphBuilder.composable(
route = destination.route,
arguments = destination.arguments,
deepLinks = destination.deepLinks + listOf(
navDeepLink {
uriPattern = "${BuildConfig.SCHEME_NAME}://internal/blockSchedule"
}
)
) {
destination.content(this)
}
}
}
}
// 2. 在应用中使用
@Composable
fun MyApp() {
DestinationsNavHost(
navGraph = NavGraphs.root,
engine = rememberNavController().destinationsNavHostEngine(
style = CustomDestinationStyle()
)
)
}
构建配置
在模块的build.gradle文件中,为不同构建类型配置不同的scheme:
android {
buildTypes {
debug {
buildConfigField "String", "SCHEME_NAME", "\"appdebug\""
manifestPlaceholders = [scheme_name: "appdebug"]
}
release {
buildConfigField "String", "SCHEME_NAME", "\"app\""
manifestPlaceholders = [scheme_name: "app"]
}
}
}
AndroidManifest配置
确保在AndroidManifest.xml中正确声明深度链接:
<activity>
<intent-filter>
<action android:name="android.intent.action.VIEW" />
<category android:name="android.intent.category.DEFAULT" />
<category android:name="android.intent.category.BROWSABLE" />
<data android:scheme="${scheme_name}" />
<data android:host="internal" />
</intent-filter>
</activity>
总结
通过Compose Destinations的运行时API,我们可以灵活地为不同构建类型配置不同的深度链接方案。这种方法避免了注解处理阶段的限制,同时保持了代码的清晰性和可维护性。对于需要区分开发环境和生产环境的深度链接场景,这是一种可靠且优雅的解决方案。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00