解决Calendar库在Compose项目中遇到的Desugaring问题
问题背景
在使用Kizitonwose的Calendar库(com.kizitonwose.calendar:compose)时,开发者可能会遇到一个常见问题:即使在项目中已经将minSdk设置为28,构建过程中仍然会出现要求启用core library desugaring的提示。更严重的是,即使启用了desugaring,应用在运行时仍可能崩溃,抛出类似NoClassDefFoundError的错误,特别是找不到SnapPositionInLayout类的情况。
问题根源分析
这个问题的根本原因与Compose库的版本兼容性有关。具体来说:
-
Compose库版本演进:Compose 1.7.0-beta01引入了一些新的API和类(如
SnapPositionInLayout),这些类在早期版本中并不存在。 -
依赖冲突:当项目中使用的Calendar库版本与Compose版本不匹配时,就会出现类找不到的问题。特别是当项目中使用了较新版本的Material3依赖(alpha/beta版本)时,它会自动升级其他Compose依赖的版本,导致与Calendar库不兼容。
-
Desugaring要求:某些Compose版本需要启用Java 8+ API的desugaring支持,即使minSdk已经设置为28。
解决方案
方案一:升级Calendar库版本
仓库作者已经发布了兼容Compose 1.7.0-beta01的Calendar库版本2.6.0-beta01。对于使用Compose 1.6.x版本的项目,可以使用2.5.2版本,该版本已经移除了desugaring依赖要求。
方案二:保持依赖版本一致性
如果不想升级到beta版本,可以确保项目中所有Compose相关依赖使用相同的稳定版本。特别注意Material3库的版本,避免使用会强制升级其他Compose依赖的alpha/beta版本。
方案三:正确配置Desugaring
如果确实需要使用需要desugaring的版本,确保正确配置:
- 在模块级build.gradle文件中启用coreLibraryDesugaring:
android {
compileOptions {
coreLibraryDesugaringEnabled true
}
}
- 添加desugaring依赖:
dependencies {
coreLibraryDesugaring 'com.android.tools:desugar_jdk_libs:1.1.5'
}
最佳实践建议
-
版本对齐:始终保持Calendar库版本与项目中的Compose版本匹配。可以关注库的发布说明,了解其兼容的Compose版本范围。
-
谨慎使用预览版:除非必要,避免在生产项目中使用Compose的alpha/beta版本,以减少兼容性问题。
-
依赖管理:考虑使用Compose BOM(Bill of Materials)来统一管理Compose相关依赖的版本,确保所有Compose组件版本一致。
-
测试验证:升级依赖后,进行全面测试,特别是涉及日历功能的场景,确保没有运行时异常。
总结
Calendar库与Compose版本的兼容性问题是一个典型的依赖管理挑战。通过理解问题根源,选择合适的库版本,并正确配置项目构建选项,开发者可以有效地解决这类问题。随着Compose生态的快速发展,保持依赖版本的一致性和及时关注库的更新公告是预防此类问题的关键。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00