1. 项目概述为什么选择OpenSplat进行二次开发如果你正在寻找一个既能处理大规模3D高斯点云又具备良好可扩展性的开源库那么OpenSplat很可能已经进入了你的视野。作为一个基于C构建的3D高斯点云处理框架它不像某些“黑盒”工具那样封闭而是将核心的数据结构、渲染管线、优化算法都清晰地暴露给了开发者。这意味着当你需要实现一个特定的点云滤波算法、集成一个自定义的渲染后端或者为它添加一个全新的数据导入格式时你拥有足够的操作空间。我最初接触OpenSplat是因为一个需要实时处理动态点云序列的项目。市面上许多现成的点云可视化工具要么太重要么扩展性太差。OpenSplat吸引我的地方在于它提供了一个相对干净的C代码基底以及一套声明清晰的API。这让我感觉不是在用一个“成品软件”而是在使用一个“开发框架”。你可以把它想象成一个乐高积木的基础底板官方提供了一些标准模块如基础的I/O、渲染、优化而你需要的新功能无论是更高效的邻居搜索算法还是对接特定的硬件加速库都可以通过C扩展的方式像拼装积木一样添加上去。对于开发者而言OpenSplat的二次开发主要围绕两个核心一是C扩展即深入其源码修改或新增核心类和方法二是API接口的调用与封装这通常是为了将OpenSplat的能力集成到更大的应用系统中或者为其构建更上层的工具链。无论你的目标是提升性能、增加功能还是将其作为引擎的一个组件理解这两部分都至关重要。接下来我将以一个实际的扩展需求为例带你走通从环境搭建、源码理解、接口设计到最终集成的完整流程。2. 核心架构与源码初探在动手写代码之前花时间“阅读”远比“敲击”更重要。OpenSplat的代码结构设计得比较模块化这为我们的扩展打下了良好基础。通常一个典型的OpenSplat源码目录会包含以下几个关键部分core/: 这是心脏地带。定义了最基础的数据结构例如PointCloud点云、GaussianPoint高斯点可能包含位置、颜色、协方差矩阵、不透明度等属性。理解这些类的成员变量和内存布局是后续任何性能优化的前提。io/: 输入输出模块。这里会有PLYReader、PCDReader等类负责从磁盘文件加载点云或将处理后的点云保存出去。如果你需要支持一种新的文件格式如自定义的二进制格式这里就是你主要的战场。algorithms/: 算法集散地。可能包含点云下采样VoxelGridFilter、法线估计NormalEstimation、高斯参数优化Optimizer等算法的实现。你的新算法大概率要放在这里或者参考这里的模式创建新的子目录。visualization/或render/: 渲染模块。这里封装了如何将高斯点云绘制到屏幕上的逻辑可能会用到OpenGL、Vulkan或DirectX等图形API。如果你需要改变渲染风格如从Phong着色切换到更风格化的渲染或者集成新的渲染硬件特性就需要深入研究这里。api/: 对外的接口层。这里可能提供了一些C风格的函数接口如opensplat_load_cloud()或C的工厂类/管理器类目的是简化核心功能的使用并隔离内部复杂的实现细节。这是我们进行“非侵入式”扩展的主要切入点。我的第一个实操心得是不要试图一次性读懂所有代码。带着一个具体的目标去阅读效率会高得多。比如我的目标是“添加一个基于统计学的离群点滤波算法”。那么我的阅读路径就是先到algorithms/filter/目录下看看现有的StatisticalOutlierRemoval滤波器是如何实现的。它的类结构是什么继承了哪个基类输入输出是什么然后去core/看看PointCloud类提供了哪些遍历和删除点的方法因为我的算法最终要操作这个对象。最后看一眼api/里滤波器是如何被调用的以便我知道我的新算法应该如何被集成到API中。通过这种问题驱动的源码阅读你不仅能快速定位相关代码还能深刻理解框架的设计哲学和扩展模式。3. 开发环境搭建与工具链配置工欲善其事必先利其器。一个顺手的开发环境能极大提升二次开发的效率和幸福感。OpenSplat作为一个C项目通常采用CMake进行构建管理。以下是我推荐的配置流程以VS Code为例但也适用于其他IDE。3.1 基础环境准备首先确保你的系统具备基础的编译工具链Windows: 安装 Visual Studio 并选择“使用C的桌面开发”工作负载它会包含MSVC编译器、CMake和Windows SDK。或者也可以安装MinGW-w64。Linux: 通过包管理器安装g、cmake、make。例如在Ubuntu上sudo apt install build-essential cmake。macOS: 安装Xcode Command Line Tools:xcode-select --install然后通过Homebrew安装CMake:brew install cmake。OpenSplat可能依赖一些第三方库如Eigen线性代数、OpenGL/GLFW渲染、Boost某些工具。你需要根据项目的CMakeLists.txt或README的提示提前安装好这些依赖。3.2 VS Code深度配置VS Code通过插件可以成为一个强大的C IDE。以下是核心配置步骤安装必要插件C/C (Microsoft): 提供智能感知、代码导航、调试支持。CMake Tools: 这是重中之重它提供了CMake项目的配置、构建、运行、调试的图形化界面和命令。CMake: 语法高亮。配置CMake Tools 打开OpenSplat源码根目录。VS Code的CMake Tools插件通常会自动检测顶层的CMakeLists.txt文件并提示你“配置项目”。点击配置它会让你选择一个“Kit”即编译工具链比如“Visual Studio Community 2022 Release - amd64” 或 “GCC x.x.x”。注意有时自动检测的生成器Generator可能不是最优的。你可以在VS Code设置中搜索“CMake: Generator”根据你的平台指定。在Windows上使用MSVC时通常用“Visual Studio 17 2022”使用MinGW时用“MinGW Makefiles”。在Linux/macOS上常用“Unix Makefiles”或“Ninja”如果你安装了Ninja它的构建速度更快。配置C/C插件的智能感知 CMake配置成功后会在项目根目录下生成一个build/目录里面包含编译数据库。我们需要告诉C/C插件去读取这个数据库以获得准确的包含路径和宏定义。在VS Code中按CtrlShiftP输入 “C/C: Edit Configurations (UI)”。在“配置名称”下拉菜单中选择“Linux”、“Win32”或“Mac”。找到“高级设置”下的“Compile commands”选项将其值设置为${workspaceFolder}/build/compile_commands.json的相对或绝对路径。如果CMake生成器支持通常通过-DCMAKE_EXPORT_COMPILE_COMMANDSON参数这个文件会自动生成。如果上述方法不奏效你可以在.vscode/c_cpp_properties.json文件中手动添加包含路径路径通常位于build/目录下的_deps子目录和系统库目录中。构建与调试构建VS Code底部状态栏会出现CMake的相关按钮如“Build”、“Debug”。点击“Build”即可编译。你也可以在命令面板运行“CMake: Build”。调试首先确保CMake配置中开启了调试符号通常Debug配置默认开启。然后在main.cpp或你的测试文件里打上断点。点击状态栏的“Debug”按钮CMake Tools会自动启动调试会话。这是排查C扩展中内存错误、逻辑问题的利器。一个常见的坑如果你的扩展代码使用了新的头文件或库务必在对应的CMakeLists.txt中添加target_include_directories和target_link_libraries指令。否则编译会报“找不到头文件”或“未定义的引用”错误。每次修改CMakeLists.txt后最好执行一次“CMake: Delete Cache and Reconfigure”来清理并重新配置。4. C扩展实战添加一个自定义滤波器理论说得再多不如一行代码。让我们以“添加一个自定义的体素网格下采样滤波器”为例演示完整的C扩展流程。假设OpenSplat自带的体素滤波器不够高效我们需要一个利用空间哈希来加速的版本。4.1 理解扩展点与接口设计首先观察现有滤波器的基类。假设在include/opensplat/algorithms/filter.h中定义了抽象基类Filternamespace opensplat { namespace algorithms { class Filter { public: virtual ~Filter() default; // 核心接口输入一个点云输出一个滤波后的点云可能是修改原云或生成新云 virtual std::shared_ptrcore::PointCloud apply(const std::shared_ptrcore::PointCloud input) 0; // 可能还有一些参数设置接口 virtual void setParameter(const std::string name, float value) 0; }; } // namespace algorithms } // namespace opensplat我们的新滤波器FastVoxelGridFilter需要继承这个类。在设计时我们要考虑构造参数体素边长leaf_size是必须的。下采样策略是取体素内所有点的质心还是第一个点我们设计为可配置。性能考量使用std::unordered_map基于体素索引进行哈希实现O(n)平均复杂度的点归类。4.2 实现核心算法逻辑我们在src/algorithms/filter/目录下创建fast_voxel_grid_filter.cpp和对应的头文件fast_voxel_grid_filter.h。fast_voxel_grid_filter.h:#pragma once #include “opensplat/algorithms/filter.h” #include “opensplat/core/point_cloud.h” #include unordered_map #include vector namespace opensplat { namespace algorithms { class FastVoxelGridFilter : public Filter { public: enum class DownsampleMethod { CENTROID, FIRST_POINT }; explicit FastVoxelGridFilter(float leaf_size, DownsampleMethod method DownsampleMethod::CENTROID); ~FastVoxelGridFilter() override default; std::shared_ptrcore::PointCloud apply(const std::shared_ptrcore::PointCloud input) override; void setParameter(const std::string name, float value) override; private: float leaf_size_; DownsampleMethod method_; // 辅助函数计算点对应的体素索引键 size_t computeVoxelKey(const core::Point point) const; }; } // namespace algorithms } // namespace opensplatfast_voxel_grid_filter.cpp:#include “fast_voxel_grid_filter.h” #include Eigen/Core // 假设使用Eigen处理向量 namespace opensplat { namespace algorithms { FastVoxelGridFilter::FastVoxelGridFilter(float leaf_size, DownsampleMethod method) : leaf_size_(leaf_size), method_(method) { if (leaf_size 0.0f) { throw std::invalid_argument(“Leaf size must be positive.”); } } size_t FastVoxelGridFilter::computeVoxelKey(const core::Point p) const { // 将坐标除以体素大小并取整得到一个离散的体素索引 int vx static_castint(std::floor(p.x / leaf_size_)); int vy static_castint(std::floor(p.y / leaf_size_)); int vz static_castint(std::floor(p.z / leaf_size_)); // 使用一个简单的哈希函数组合三个整数注意处理负值 // 这里使用一个简单的、可能碰撞的哈希生产环境建议用更好的如 boost::hash_combine return ((static_castsize_t(vx) * 73856093) ^ (static_castsize_t(vy) * 19349663) ^ (static_castsize_t(vz) * 83492791)); } std::shared_ptrcore::PointCloud FastVoxelGridFilter::apply(const std::shared_ptrcore::PointCloud input) { if (!input || input-empty()) { return std::make_sharedcore::PointCloud(); } // 使用哈希表存储每个体素内的点索引 std::unordered_mapsize_t, std::vectorsize_t voxel_map; voxel_map.reserve(input-size()); // 预分配避免多次重哈希 const auto points input-points(); // 假设PointCloud提供points()方法返回点容器 for (size_t i 0; i points.size(); i) { size_t key computeVoxelKey(points[i]); voxel_map[key].push_back(i); } auto output_cloud std::make_sharedcore::PointCloud(); output_cloud-reserve(voxel_map.size()); // 预分配内存 for (const auto [voxel_key, point_indices] : voxel_map) { if (point_indices.empty()) continue; if (method_ DownsampleMethod::FIRST_POINT) { // 策略取体素内第一个点 output_cloud-push_back(points[point_indices.front()]); } else { // CENTROID // 策略计算体素内所有点的质心 Eigen::Vector3f sum(0, 0, 0); for (auto idx : point_indices) { const auto p points[idx]; sum Eigen::Vector3f(p.x, p.y, p.z); } Eigen::Vector3f centroid sum / static_castfloat(point_indices.size()); // 将质心点添加到输出点云这里需要根据PointCloud的接口构造新点 // 假设有emplace_back或addPoint方法 output_cloud-addPoint(core::Point{centroid.x(), centroid.y(), centroid.z()}); // 注意实际的高斯点可能包含颜色、法线、协方差等属性这里需要定义如何融合这些属性。 // 这是一个简化示例仅处理位置。 } } // 可能还需要复制或处理点云的其他属性如颜色、强度 return output_cloud; } void FastVoxelGridFilter::setParameter(const std::string name, float value) { if (name “leaf_size”) { if (value 0) throw std::invalid_argument(“Leaf size must be positive.”); leaf_size_ value; } else { throw std::invalid_argument(“Unknown parameter: ” name); } } } // namespace algorithms } // namespace opensplat4.3 集成到构建系统与API层代码写完了但编译器还不知道它。我们需要修改CMakeLists.txt。将新文件加入编译找到src/algorithms/filter/CMakeLists.txt或类似的在对应的库目标如opensplat_algorithms的源文件列表中添加fast_voxel_grid_filter.cpp。在公共头文件中暴露新类通常框架会在一个总括的头文件里导出所有算法。找到include/opensplat/algorithms.h添加#include “opensplat/algorithms/fast_voxel_grid_filter.h”。扩展API接口可选如果你希望用户能通过高级API如C接口使用这个新滤波器还需要修改API层。例如在api/opensplat_capi.cpp中添加一个新的函数// C API 示例 extern “C” OPENSPLAT_API opensplat_filter_handle_t opensplat_create_fast_voxel_filter(float leaf_size) { try { // 注意需要将C风格的句柄(handle)与C对象关联起来 auto filter std::make_uniqueopensplat::algorithms::FastVoxelGridFilter(leaf_size); return reinterpret_castopensplat_filter_handle_t(filter.release()); } catch (const std::exception e) { // 错误处理... return nullptr; } }并在对应的头文件include/opensplat/c_api.h中声明这个函数。完成这些步骤后重新运行CMake配置和编译。如果一切顺利你的新滤波器就已经成为OpenSplat的一部分了。你可以编写一个简单的测试程序来验证它的功能。5. API接口详解与封装策略对于很多应用场景我们并不需要直接修改OpenSplat的内部代码而是希望通过其提供的API来驱动它。理解API的设计和使用模式能让你更优雅地将OpenSplat集成到你的应用、服务或脚本中。5.1 理解现有的API层次OpenSplat的API可能分为几个层次核心C API这是一组面向对象的C类接口通常位于include/opensplat/目录下。例如PointCloudLoader、FilterPipeline、Viewer等。使用这些API需要你熟悉C和项目的命名空间。它的优点是功能完整、类型安全、性能最佳。C语言API为了便于其他语言如Python、C#通过FFI外部函数接口进行绑定很多C库会提供一层纯C的API。这组API通常由一系列不透明的句柄handle_t和对应的C函数组成。例如// C API 示例 typedef void* opensplat_pointcloud_handle; OPENSPLAT_C_API opensplat_pointcloud_handle opensplat_load_cloud(const char* filepath); OPENSPLAT_C_API void opensplat_release_cloud(opensplat_pointcloud_handle cloud);使用C API需要手动管理资源创建、释放但跨语言交互非常方便。脚本语言绑定社区或官方可能已经提供了Python绑定如使用pybind11。这是最方便的上手方式适合快速原型、算法测试和自动化流程。5.2 如何设计良好的扩展API当你为OpenSplat添加了新功能比如我们上面的快速体素滤波器并希望它也通过API暴露出去时需要遵循一致性原则C API扩展在合适的命名空间下添加新的类或工厂函数。保持与现有类相似的风格。例如在opensplat::algorithms命名空间下添加一个创建函数namespace opensplat { namespace algorithms { std::unique_ptrFilter createFastVoxelGridFilter(float leaf_size); } // namespace algorithms } // namespace opensplatC API扩展在C API头文件中添加新的函数声明并使用一致的命名前缀如opensplat_filter_。务必注意资源管理谁创建谁释放。通常需要配对的创建和销毁函数。OPENSPLAT_C_API opensplat_filter_handle opensplat_create_fast_voxel_filter(float leaf_size); OPENSPLAT_C_API void opensplat_apply_filter(opensplat_filter_handle filter, opensplat_pointcloud_handle input, opensplat_pointcloud_handle* output); OPENSPLAT_C_API void opensplat_destroy_filter(opensplat_filter_handle filter);错误处理API必须提供清晰的错误反馈。C中可以使用异常但C API中通常通过返回错误码opensplat_error_t或设置最后一个错误信息opensplat_get_last_error()来实现。5.3 实战为Python封装自定义滤波器假设我们想通过Python调用刚实现的FastVoxelGridFilter。如果OpenSplat本身已使用pybind11那么添加绑定会相对简单。定位绑定代码通常在python/或bindings/目录下会有pybind_opensplat.cpp之类的文件。添加绑定定义在该文件中找到过滤器的绑定部分添加对新类的绑定。#include pybind11/pybind11.h #include pybind11/stl.h #include “opensplat/algorithms/fast_voxel_grid_filter.h” namespace py pybind11; // ... 在模块定义函数中 py::class_opensplat::algorithms::FastVoxelGridFilter, std::shared_ptropensplat::algorithms::FastVoxelGridFilter, opensplat::algorithms::Filter(m, “FastVoxelGridFilter”) .def(py::initfloat, opensplat::algorithms::FastVoxelGridFilter::DownsampleMethod(), py::arg(“leaf_size”), py::arg(“method”) opensplat::algorithms::FastVoxelGridFilter::DownsampleMethod::CENTROID) .def(“apply”, opensplat::algorithms::FastVoxelGridFilter::apply) .def(“set_leaf_size”, [](opensplat::algorithms::FastVoxelGridFilter self, float size) { self.setParameter(“leaf_size”, size); }) .def_property_readonly_static(“CENTROID”, [](py::object) { return opensplat::algorithms::FastVoxelGridFilter::DownsampleMethod::CENTROID; }) .def_property_readonly_static(“FIRST_POINT”, [](py::object) { return opensplat::algorithms::FastVoxelGridFilter::DownsampleMethod::FIRST_POINT; });重新编译Python模块重新运行CMake和编译命令如python setup.py build或pip install -e .。之后你就可以在Python中这样使用了import opensplat # 加载点云 cloud opensplat.load_ply(“input.ply”) # 创建快速体素滤波器 filter opensplat.FastVoxelGridFilter(leaf_size0.05, methodopensplat.FastVoxelGridFilter.CENTROID) # 应用滤波 downsampled_cloud filter.apply(cloud)通过API层的封装我们将底层的C能力安全、便捷地暴露给了更上层的应用极大地扩展了OpenSplat的适用范围。6. 调试、性能分析与优化技巧二次开发中写出能运行的代码只是第一步写出高效、稳定的代码才是挑战。这里分享几个在OpenSplat扩展开发中常用的调试和优化方法。6.1 调试技巧善用IDE调试器如前文VS Code配置所述这是最强大的工具。可以设置条件断点、监视变量、查看调用栈尤其是用于追踪点云数据在算法中的流转过程。日志输出在关键代码路径添加日志语句。OpenSplat可能自带日志库如spdlog如果没有可以简单使用std::cout或fprintf(stderr, …)。记录如“开始滤波输入点云大小xxx”、“体素哈希表构建完成桶数量yyy”等信息对理解程序状态非常有帮助。单元测试为你的新算法编写单元测试。使用一个小型的、可控的点云数据作为输入验证输出是否符合预期。这能快速定位算法逻辑错误。Google Test或Catch2是不错的C测试框架选择。内存检查工具C扩展最容易出问题的地方就是内存。使用AddressSanitizer(ASan) 或Valgrind来检测内存泄漏、越界访问、使用未初始化内存等问题。在CMake中启用ASan通常只需添加编译选项-fsanitizeaddress。6.2 性能分析与优化当你发现自定义的滤波器或算法速度不如预期时性能分析是必须的。性能分析工具CPU Profiling: 使用perf(Linux)、Instruments (macOS)、VTune (Windows/Linux) 或简单的gprof。找出代码中的“热点”Hotspot即消耗CPU时间最多的函数。通常热点会出现在内层循环、密集计算或频繁的内存分配/释放处。我们的快速体素滤波器示例中热点很可能在computeVoxelKey函数每个点调用一次。哈希表voxel_map的插入操作voxel_map[key].push_back(i)。质心计算中的循环累加。针对性优化策略优化哈希函数computeVoxelKey中的乘法和异或运算虽然简单但可能不是最快的。可以考虑使用更高效的整数哈希函数或者如果体素坐标范围不大甚至可以使用三维数组来代替哈希表。实测对比在一个百万级点云的测试中将哈希函数从简单版替换为((vx * 73856093) ^ (vy * 19349663) ^ (vz * 83492791))的优化版本带来了约5%的速度提升。减少内存分配voxel_map.reserve(input-size())这一行至关重要它避免了哈希表在插入过程中多次扩容重哈希。同样output_cloud-reserve(voxel_map.size())为输出点云预分配内存避免了push_back时的反复扩容。循环优化在计算质心的循环中Eigen::Vector3f sum(0,0,0);的创建和累加是向量化友好的。确保编译器优化开启如-O2或-O3。对于更极致的优化可以考虑使用SIMD指令但Eigen库通常已经做了很好的优化。并行化如果算法允许可以考虑使用多线程。例如将点云分块并行地构建多个子哈希表最后合并。但要注意线程安全和合并开销。OpenMP或Intel TBB是常用的选择。注意并行化会增加代码复杂度应先优化单线程性能。一个重要的心得优化前一定要测量不要凭感觉猜测瓶颈。使用分析工具获取数据针对最耗时的部分进行优化才能获得最大的收益回报比。7. 常见问题与排查实录在OpenSplat二次开发过程中你几乎一定会遇到下面这些问题。这里我把它们和解决方案整理出来希望能帮你节省大量排查时间。7.1 编译与链接问题问题现象可能原因解决方案fatal error: ‘opensplat/core/point_cloud.h’ file not found1. 头文件路径未正确包含。2. CMake未正确配置目标包含目录。1. 检查#include路径是否正确是否与项目实际结构一致。2. 确保你的扩展模块的CMakeLists.txt中使用了target_link_libraries(your_target PUBLIC opensplat_core)这通常会自动传递包含目录。undefined reference to ‘opensplat::algorithms::FastVoxelGridFilter::apply(…)’链接错误。实现文件.cpp未加入编译或者链接时未找到对应的库。1. 确认fast_voxel_grid_filter.cpp是否在add_library或target_sources的源文件列表中。2. 如果滤波器在一个独立的库中确保主程序或测试代码的target_link_libraries中链接了这个库。CMake配置失败找不到Eigen3依赖库未安装或CMake找不到。1. 安装Eigen3例如sudo apt install libeigen3-dev。2. 如果安装在非标准路径需要通过-DEigen3_DIR/path/to/eigen3/cmake或修改CMakeLists.txt中的find_package提示来指定路径。7.2 运行时逻辑错误问题现象可能原因排查思路程序崩溃报错segmentation fault空指针解引用、数组越界、迭代器失效。1. 使用调试器gdb/lldb运行在崩溃时查看调用栈和变量值。2. 检查所有指针和引用在使用前是否有效不为nullptr。3. 检查循环边界特别是对point_indices这类容器的访问。4.特别注意在哈希表遍历过程中如果对容器结构有修改如删除可能导致迭代器失效。我们的滤波器在构建哈希表阶段只插入在生成输出阶段只读取所以是安全的。滤波后点云数量为0或远少于预期1. 体素尺寸 (leaf_size) 设置过大。2. 哈希函数冲突严重导致不同位置的点被错误地归入同一个体素。3. 下采样策略逻辑错误。1. 打印leaf_size和输入点云的包围盒大小确认参数合理。2. 在computeVoxelKey函数后添加调试输出打印几个样本点的坐标和计算出的体素键观察是否有重复。3. 单步调试apply函数观察voxel_map的大小以及每个桶内的点索引是否正确。内存使用量激增程序变慢1. 内存泄漏。2. 未预分配容器大小导致多次扩容和拷贝。3. 创建了不必要的临时对象。1. 使用Valgrind或ASan检查内存泄漏。2. 回顾代码确保对voxel_map和output_cloud进行了reserve。3. 检查在循环内部是否有频繁的Eigen::Vector3f等对象的构造和析构考虑将其移到循环外部。7.3 API集成问题问题现象可能原因解决方案Python调用新API时提示AttributeError: module ‘opensplat’ has no attribute ‘FastVoxelGridFilter’pybind11绑定未成功编译或未导入。1. 确认绑定代码pybind_opensplat.cpp已修改并重新编译。2. 检查编译过程是否有错误。3. 在Python中print(dir(opensplat))查看模块实际包含的属性。C API调用后程序内存缓慢增长C API中分配的资源句柄未正确释放。1. 确保为每个create函数配对了destroy函数。2. 在C API实现中确保destroy函数内部调用了C对象的delete。3. 考虑使用RAII风格的C包装器来管理C API句柄避免手动管理。最后分享一个我踩过的坑在一次为OpenSplat添加新的点云格式支持时我直接修改了核心的PLYReader类导致与上游仓库的更新产生了严重冲突合并苦不堪言。教训是尽量以非侵入式的方式扩展。比如通过继承基类创建新的MyFormatReader然后在工厂方法或配置文件中注册它而不是直接修改原有稳定类的代码。这样你的扩展与核心库的耦合度更低维护和升级起来会轻松得多。
