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。
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