Electron-Builder中pkg目标postinstall脚本参数变更问题分析
在Electron应用打包工具electron-builder的最新版本中,使用pkg目标打包时出现了一个关于postinstall脚本参数传递的行为变更。这个问题影响了那些依赖postinstall脚本进行安装后操作的应用开发者。
问题现象
在electron-builder 24.13.2及更高版本中,当使用pkg目标打包macOS应用时,postinstall脚本接收到的第二个参数($2)发生了变化。在之前版本中,这个参数会传递应用程序的安装目录路径(如/Applications),而现在则传递了完整的应用包路径(如/Applications/YourApp.app)。
技术背景
postinstall脚本是macOS安装包(pkg)中的一个重要特性,它允许开发者在应用安装完成后执行自定义操作。根据macOS的规范,postinstall脚本会接收四个参数:
- $0 - 脚本路径
- $1 - 包路径
- $2 - 目标位置
- $3 - 目标卷
在electron-builder的24.13.2版本中,项目添加了对BundlePostInstallScriptPath和BundlePreInstallScriptPath键的支持,这导致脚本参数传递行为发生了变化。
问题根源
深入分析后发现,这个问题实际上是由于脚本被意外执行了两次造成的:
- 第一次执行是针对整个应用程序包,此时$2参数为预期的/Applications
- 第二次执行是针对组件(component),此时$2参数变为/Applications/YourApp.app
这种双重执行行为是由于electron-builder对脚本文件扩展名的处理方式导致的。当脚本文件没有.sh扩展名时,系统会将其识别为"顶层postinstall脚本"并执行两次。
解决方案
目前有两种可行的解决方案:
- 为postinstall脚本文件添加.sh扩展名
- 在脚本中处理两种参数格式的情况
第一种方案更为简单可靠,只需确保脚本文件命名为postinstall.sh即可避免双重执行问题。
最佳实践建议
对于依赖postinstall脚本的electron-builder用户,建议:
- 始终为安装脚本添加.sh扩展名
- 在脚本中做好参数验证,确保能处理不同格式的路径
- 测试脚本在不同electron-builder版本下的行为
- 考虑使用绝对路径而非依赖参数,提高脚本的健壮性
这个问题提醒我们,在跨平台开发中,对安装后脚本的处理需要格外小心,特别是在不同打包工具版本间可能存在行为差异的情况下。
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