xmake项目中实现全局脚本域避免重复执行的方法
2025-05-22 21:33:44作者:宣海椒Queenly
在xmake构建系统中,开发者经常需要处理多个测试目标依赖相同测试数据的情况。本文介绍如何通过xmake的全局变量机制实现脚本的"单例"执行模式,避免重复操作带来的性能问题和并发冲突。
问题背景
在大型项目中,我们通常会编写多个单元测试目标(target),这些测试目标往往需要依赖相同的测试数据文件。常见的做法是为每个测试目标添加一个规则(rule),在测试运行前拷贝所需的测试数据文件。
然而,这种做法存在两个明显问题:
- 每个测试目标都会重复执行相同的拷贝操作,造成不必要的性能损耗
- 当并行执行测试时(-jN),多个进程同时操作相同文件可能导致冲突
解决方案
xmake提供了全局变量表_g,我们可以利用它来实现脚本的"单例"执行模式。具体实现如下:
rule("prepare_test_data")
before_run(function(target)
if not _g.test_data_prepared then
_g.test_data_prepared = true
-- 执行只需要运行一次的准备工作
os.trycp("localization/loc_archon/*.conf", target:rundir(), {rootdir = "."})
os.trycp("localization/loc_archon/*.yaml", target:rundir(), {rootdir = "."})
os.trycp("localization/**.conf", target:rundir(), {rootdir = "."})
os.trycp("localization/test_data/**", target:rundir(), {rootdir = "."})
end
end)
实现原理
_g是xmake提供的全局变量表,在整个构建过程中保持有效- 我们使用
_g.test_data_prepared作为标志位 - 当第一个测试目标执行时,标志位为nil,执行准备工作并设置标志位
- 后续测试目标执行时,检测到标志位已设置,跳过准备工作
优势分析
- 性能提升:避免了重复的文件拷贝操作
- 并发安全:解决了并行测试时的文件操作冲突问题
- 代码简洁:不需要复杂的条件判断或锁机制
- 维护方便:所有准备工作集中在一处,便于统一管理
实际应用建议
在实际项目中,我们可以进一步优化:
- 将准备工作封装成独立函数,提高代码复用性
- 添加日志输出,方便调试和问题追踪
- 考虑添加清理逻辑,在测试完成后删除临时文件
local function prepare_test_data(target)
if not _g.test_data_prepared then
_g.test_data_prepared = true
print("准备测试数据...")
-- 具体准备工作...
end
end
rule("prepare_test_data")
before_run(prepare_test_data)
after_run(function()
-- 可选的清理逻辑
end)
通过这种方式,我们可以优雅地解决xmake项目中多目标依赖相同资源的初始化问题,既保证了执行效率,又确保了并发安全性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660