Glide项目中资源加载优化:解决Drawable资源名称被剥离时的兼容性问题
背景介绍
在Android应用开发中,资源优化是一个重要课题。Google的aapt2工具提供了"collapse names"优化功能,这项功能可以从资源表中移除资源名称,从而减小APK体积。然而,当这项优化被启用时,Glide图片加载库在加载Drawable资源时遇到了兼容性问题。
问题本质
aapt2的"collapse names"优化会从资源表中移除资源名称,仅保留资源ID。这意味着任何通过资源名称引用资源的代码都将失效。根据Android官方文档要求,如果确实需要通过名称引用资源,必须使用keep规则显式保留这些资源名称。
Glide的ResourceLoader当前使用的是android.resource://<package_name>/<resource_type>/<resource_name>这种URI格式来解析Drawable资源,这种格式依赖于资源名称,因此与"collapse names"优化不兼容。
技术解决方案
Android的ContentResolver实际上提供了另一种URI方案,可以不依赖资源名称来加载资源:android.resource://<package_name>/<resource_id>。这种格式直接使用资源ID,完全避开了对资源名称的依赖,因此与"collapse names"优化完全兼容。
实现原理
-
资源URI的两种形式:
- 名称依赖型:
android.resource://包名/资源类型/资源名称 - ID直接型:
android.resource://包名/资源ID
- 名称依赖型:
-
优化后的工作流程:
- 当启用"collapse names"优化后,资源表中不再包含资源名称
- Glide应改用资源ID直接加载资源
- 这种改变对上层应用透明,不影响现有API的使用
-
兼容性考虑:
- 新方案在所有Android版本上都可用
- 不会影响未启用"collapse names"优化的应用
- 性能上几乎没有差异
对开发者的影响
对于普通开发者来说,这一改动是透明的,不需要修改现有代码。但对于以下情况的开发者需要特别注意:
- 自定义了ResourceLoader的实现
- 直接依赖了资源URI的特定格式
- 在代码中硬编码了资源URI的构建方式
最佳实践建议
-
资源引用方式:
- 尽可能使用资源ID而非名称
- 在必须使用名称时,确保添加适当的keep规则
-
Glide使用建议:
- 更新到包含此修复的版本
- 检查自定义的ResourceLoader实现
- 测试资源加载在各种优化配置下的表现
-
构建配置:
- 如果启用"collapse names"优化,确保全面测试资源加载
- 考虑逐步启用,先在小范围模块中验证
总结
Glide对资源加载URI格式的优化,解决了与aapt2"collapse names"优化的兼容性问题,使得开发者可以在享受APK体积减小的同时,不影响资源加载功能。这一改进体现了Glide对Android最新优化技术的快速适配能力,也为开发者提供了更灵活的优化选择。
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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