Flutterfire项目中Firebase Analytics与App Links在iOS上的冲突解决方案
问题背景
在Flutter应用开发中,当同时使用Firebase Analytics和App Links插件时,iOS平台上会出现一个特殊的问题:应用能够正常通过深度链接启动,但无法正确获取链接URL。这个问题表现为Firebase Analytics错误日志显示"Deep Link does not contain valid required params",同时App Links的回调也无法获取到预期的链接信息。
问题现象
开发者在使用以下插件组合时遇到了这个问题:
- firebase_core 3.6.0
- firebase_analytics 11.3.3
- app_links 6.1.3
当应用通过深度链接启动时,iOS系统日志会显示Firebase Analytics的错误信息,提示深度链接不包含有效的必需参数。与此同时,App Links插件也无法正常接收到深度链接的URL信息。
根本原因
这个问题源于Firebase Analytics在iOS平台上默认会拦截并处理所有的深度链接请求。当应用同时使用App Links插件时,两个系统会竞争处理同一个深度链接,导致链接信息无法正确传递到App Links插件。
解决方案
要解决这个问题,需要在iOS原生代码中手动处理深度链接,并确保链接能够正确传递给App Links插件。具体实现步骤如下:
- 在iOS项目的AppDelegate.swift文件中,重写application(_:open:options:)方法
- 在该方法中显式调用App Links插件的链接处理方法
- 确保Firebase Analytics不会拦截这些链接
示例代码如下:
override func application(_ app: UIApplication, open url: URL, options: [UIApplication.OpenURLOptionsKey : Any] = [:]) -> Bool {
// 显式调用App Links插件的链接处理方法
AppLinks.shared.handleLink(url: url)
return true
}
注意事项
-
这种解决方案虽然能确保App Links正常工作,但Firebase Analytics的错误日志可能仍然会出现。这是正常现象,不会影响功能。
-
如果应用同时使用Firebase Dynamic Links,需要更复杂的处理逻辑来区分不同类型的链接。
-
在Android平台上,这个问题通常不会出现,因为Android的深度链接处理机制与iOS不同。
最佳实践
-
如果应用不需要Firebase Analytics的自动链接跟踪功能,可以考虑在Firebase控制台中禁用此功能。
-
对于复杂的深度链接场景,建议实现自定义的链接路由逻辑,确保不同类型的链接能够被正确的处理器处理。
-
在测试深度链接功能时,建议同时测试冷启动和热启动场景,确保在各种情况下链接都能被正确处理。
通过以上解决方案,开发者可以确保在同时使用Firebase Analytics和App Links时,iOS平台上的深度链接功能能够正常工作,满足应用的需求。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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