Apktool处理多DEX文件压缩问题的技术分析
在Android逆向工程领域,Apktool作为一款强大的反编译和打包工具,被广泛应用于APK文件的修改和分析工作。近期发现了一个关于Apktool处理多DEX文件压缩方式的潜在问题,值得开发者关注。
问题背景
在Android应用开发中,随着代码量的增加,单个DEX文件(classes.dex)可能无法容纳所有代码,这时会产生多个DEX文件(如classes2.dex、classes3.dex等)。现代Android系统建议这些DEX文件在APK或JAR中保持未压缩状态(Stored),而非使用DEFLATE算法压缩。
问题现象
当使用Apktool处理包含多个DEX文件的框架JAR时(如某些厂商提供的framework.jar),发现工具仅将主DEX文件(classes.dex)标记为不压缩(doNotCompress),而忽略了其他次级DEX文件。这导致在重新打包时,只有classes.dex保持原始未压缩状态,其他DEX文件被不必要地压缩。
技术细节分析
通过对一个实际案例的分析,可以看到原始framework.jar中所有classes*.dex文件都采用Stored方式存储:
classes.dex - Stored
classes2.dex - Stored
classes3.dex - Stored
...
classes6.dex - Stored
然而经过Apktool反编译后,生成的apktool.yml配置文件中,doNotCompress列表仅包含classes.dex。这导致重新打包后,除主DEX外,其他DEX文件都被压缩:
classes.dex - Stored
classes2.dex - Defl:N
classes3.dex - Defl:N
...
classes6.dex - Defl:N
解决方案
该问题已被确认为Apktool的一个bug。修复方案是改进工具对多DEX文件的处理逻辑,确保所有classes*.dex文件都能正确继承原始文件的压缩属性。开发者可以通过手动修改apktool.yml文件,将所有DEX文件添加到doNotCompress列表作为临时解决方案。
影响与建议
这个问题主要影响需要修改和重新打包系统框架JAR的开发者。不正确的压缩处理可能导致:
- 文件大小非最优(压缩DEX反而可能增大体积)
- 潜在的运行时性能影响
- 与原始文件签名验证不匹配
建议使用最新修复版本的Apktool,并检查任何包含多DEX文件的处理结果,确保所有DEX文件都保持了正确的存储方式。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00