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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0111
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00