微软WIL库中实现纯C++/WinRT的进程外COM服务器
在Windows开发中,组件对象模型(COM)是一种重要的技术,它允许不同语言编写的组件相互通信。传统上,使用C++实现COM服务器需要依赖Windows Runtime Library(WRL),但现代C++开发者更倾向于使用更现代的C++/WinRT库。
背景与挑战
C++/WinRT是一个完全基于标准C++的Windows运行时(Windows Runtime)语言投影,它提供了更简洁、更符合现代C++习惯的编程模型。然而,在实现进程外(Out-of-Proc)COM服务器时,开发者通常仍需要依赖WRL来完成一些基础工作,如对象注册和生命周期管理。
这种混合使用WRL和C++/WinRT的方式增加了代码复杂性,也违背了C++/WinRT旨在提供纯现代C++体验的初衷。开发者需要一个纯C++/WinRT的解决方案来实现进程外COM服务器。
解决方案设计
核心需求分析
- 简单对象注册:提供简洁的API来注册COM类工厂
- 自动对象引用计数:自动管理COM对象的生命周期
- 同步COM关闭:在所有对象断开连接时通知主线程
其中,C++/WinRT已经内置支持自动对象引用计数,因此解决方案主要关注对象注册和同步关闭机制。
关键技术实现
可通知模块锁(Notifiable Module Lock)
C++/WinRT提供了WINRT_CUSTOM_MODULE_LOCK宏,允许开发者自定义模块锁机制。我们可以利用这一点实现一个可通知的模块锁:
namespace wil {
template <typename Func>
struct notifiable_module_lock {
static void set_notifier(Func& func) {
notifier = func;
}
private:
static inline Func notifier;
};
}
这个自定义模块锁会在引用计数归零时调用预设的通知函数,从而实现同步关闭机制。
对象注册辅助类
为了简化COM类工厂的注册过程,设计了一个辅助类:
namespace wil {
struct com_server_revoker {
std::vector<DWORD> registrations;
~com_server_revoker() {
for (auto&& registration : registrations) {
winrt::check_hresult(CoRevokeClassObject(registration));
}
}
};
template <typename T, typename... Rest>
[[nodiscard]] com_server_revoker register_com_server();
}
这个辅助类提供了RAII(资源获取即初始化)风格的COM服务器注册管理,确保在作用域结束时自动撤销注册。
实际应用示例
以下是使用这些辅助类实现纯C++/WinRT进程外COM服务器的典型代码结构:
// 预编译头文件中配置模块锁
#define WINRT_CUSTOM_MODULE_LOCK
namespace winrt {
inline auto& get_module_lock() {
static wil::notifiable_module_lock<void(*)()> lock;
return lock;
}
}
// 主程序中实现COM服务器
int main() {
wil::unique_event comExitEvent;
comExitEvent.create();
// 设置模块锁通知器
wil::notifiable_module_lock<void(*)()>::set_notifier([] {
comExitEvent.SetEvent();
});
// 初始化COM
winrt::init_apartment();
// 注册COM类
auto revoker = wil::register_com_server<MyComClass>();
// 等待所有COM对象释放
comExitEvent.wait();
return 0;
}
设计考量与最佳实践
-
模块锁与注册辅助的分离:建议将模块锁实现和对象注册辅助放在不同的头文件中,因为模块锁需要在包含winrt/base.h之前定义,而注册辅助需要winrt::implements等定义。
-
默认实现:可以考虑提供默认的模块锁配置,简化常见用例的使用。
-
线程安全:在实际实现中需要考虑多线程环境下的安全性,确保引用计数操作的原子性。
-
错误处理:应完善错误处理机制,特别是在COM对象注册和撤销过程中。
总结
通过WIL库提供的这些辅助工具,开发者现在可以完全摆脱对WRL的依赖,使用纯C++/WinRT实现进程外COM服务器。这不仅简化了代码结构,还提高了代码的可维护性和现代性。这种解决方案特别适合那些希望完全采用现代C++实践的项目,同时也为未来的Windows开发提供了更清晰的路径。
随着C++生态系统的演进,这种纯C++/WinRT的实现方式将成为Windows组件开发的新标准,为开发者带来更一致、更高效的开发体验。
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