QuickJS项目在Windows+MingW64环境下的构建安装问题解析
背景介绍
QuickJS是一个轻量级的JavaScript引擎,由Fabrice Bellard开发。它支持ES2020规范,具有极小的体积和快速的执行速度,非常适合嵌入式系统使用。在Windows平台上使用MingW64工具链构建QuickJS时,开发者可能会遇到make install命令执行失败的问题。
问题现象
当开发者在Windows系统上使用MingW64工具链执行以下命令时:
make install DESTDIR=D:/Programs/ PREFIX=QuickJS CONFIG_WIN32=y
系统会报错:
x86_64-w64-mingw32-strip: No such file or directory
这个错误表明Makefile中预设的strip工具名称与MingW64环境下的实际工具名称不匹配。
问题根源分析
在原始的Makefile中,存在几个与Windows平台相关的问题:
-
strip工具名称硬编码:Makefile默认使用
$(CROSS_PREFIX)strip作为strip工具,但在MingW64环境下,正确的工具名称可能只是简单的strip -
可执行文件后缀处理:在Windows平台上,可执行文件需要
.exe后缀,但原始Makefile没有正确处理这个平台差异 -
符号链接处理:Windows对符号链接的支持与Unix-like系统不同,原始Makefile中的
ln -sf命令可能无法正常工作
解决方案
针对上述问题,可以通过修改Makefile来解决:
-
使strip工具可配置:将
STRIP=$(CROSS_PREFIX)strip改为STRIP?=$(CROSS_PREFIX)strip,允许用户在命令行覆盖此设置 -
正确处理可执行文件后缀:在所有涉及可执行文件的地方添加
$(EXE)变量,确保在Windows平台上自动添加.exe后缀 -
更新安装规则:修改install目标,确保正确处理Windows平台的可执行文件
修改后的Makefile片段如下:
STRIP?=$(CROSS_PREFIX)strip
install: all
mkdir -p "$(DESTDIR)$(PREFIX)/bin"
$(STRIP) qjs$(EXE) qjsc$(EXE)
install -m755 qjs$(EXE) qjsc$(EXE) "$(DESTDIR)$(PREFIX)/bin"
ln -sf qjs$(EXE) "$(DESTDIR)$(PREFIX)/bin/qjscalc$(EXE)"
实际应用
修改后,开发者可以这样使用:
make install DESTDIR=D:/Programs/ PREFIX=QuickJS CONFIG_WIN32=y STRIP=strip
这个命令会:
- 创建目标目录结构
- 使用正确的strip工具处理可执行文件
- 安装带有正确后缀的可执行文件
- 创建符号链接(在Windows上可能需要管理员权限)
跨平台构建的注意事项
在跨平台开发时,开发者应该注意:
- 工具链差异:不同平台上的工具名称可能不同,应该提供覆盖机制
- 文件系统差异:Windows和Unix-like系统在文件路径、权限和链接处理上有显著差异
- 可执行文件格式:Windows使用PE格式,而Unix-like系统通常使用ELF格式
- 构建系统兼容性:Makefile应该能够适应不同平台的特性
总结
QuickJS作为一个跨平台的JavaScript引擎,其构建系统需要处理各种平台的差异。在Windows+MingW64环境下,通过合理修改Makefile,可以解决strip工具识别和可执行文件处理的问题。这为开发者提供了在Windows平台上使用QuickJS的便利,同时也展示了跨平台开发中需要考虑的关键因素。
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
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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