Flet项目构建APK/AAB时Google Play安装白屏问题解析
问题现象
在使用Flet框架构建Android应用时,开发者遇到了一个典型问题:通过flet build命令生成的APK和AAB文件在本地设备上运行正常,但通过Google Play商店安装后却出现白屏现象。这个问题尤其出现在使用签名AAB文件发布到Google Play时,而未签名的AAB文件通过内部测试渠道分发则能正常运行。
问题根源分析
经过开发者社区的讨论和验证,发现该问题主要由两个关键因素导致:
-
签名配置问题:签名后的AAB在Google Play分发时,Android系统对原生库的处理方式发生了变化,导致应用无法正常加载必要的组件。
-
打包选项缺失:默认的构建模板缺少对第三方依赖包(如flet_lottie和flet_video)的完整支持,导致这些组件在发布版本中无法正常工作。
解决方案
1. 解决白屏问题
在项目的build.gradle文件中添加以下配置可解决签名AAB的白屏问题:
packagingOptions {
jniLibs {
useLegacyPackaging true
}
}
这个配置强制使用传统的原生库打包方式,确保在Google Play分发的版本中也能正确加载必要的库文件。
2. 确保依赖包包含
对于需要额外包含的依赖包(如flet_lottie和flet_video),开发者需要注意:
- 在构建命令中明确指定--include-packages参数
- 检查这些依赖是否在最终的AAB文件中正确打包
构建最佳实践
-
清理缓存:在每次构建前清理Cookiecutter缓存可以避免一些潜在问题
- Windows:
rd /s /q %USERPROFILE%\.cookiecutters - Mac/Linux:
rm -rf ~/.cookiecutters
- Windows:
-
签名配置:确保使用正确的签名配置,包括:
- 创建key.properties文件
- 在build.gradle中正确配置signingConfigs
-
版本管理:使用合理的构建版本号和版本名称,便于问题追踪
后续验证
开发者验证了修改后的构建模板确实解决了白屏问题,但发现视频组件仍然无法正常工作,这表明某些依赖包可能没有被正确包含在最终构建中。这提示我们需要进一步检查构建过程中依赖包的处理逻辑。
总结
Flet框架在构建Android应用时,特别是生成签名AAB文件时,需要注意特殊的打包配置和依赖管理。通过合理的gradle配置和构建参数,可以确保应用在各种分发渠道下都能正常运行。开发者应特别注意签名版本和未签名版本在行为上的差异,并针对Google Play的特殊要求进行适配。
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