Написание биндингов к нативным C/C++ библиотекам для мобильного приложения

Написание биндингов к нативным C/C++ библиотекам для мобильного приложения

C и C++ библиотеки — стандарт в областях, где производительность критична: обработка видео (FFmpeg, x264), криптография (OpenSSL, libsodium), компьютерное зрение (OpenCV), аудио (Opus, WebRTC), физические движки (Bullet, Box2D). Мобильные платформы дают прямой доступ к нативному коду — вопрос в том, как правильно написать биндинг.

Android: JNI и Android NDK

На Android нативный код вызывается через JNI (Java Native Interface). Биндинг — это слой C/C++ функций с именами вида Java_com_example_MyClass_nativeMethod, которые Dalvik/ART автоматически связывает с Java/Kotlin-методами, помеченными external.

// Kotlin
class ImageProcessor {
    external fun processFrame(pixels: ByteArray, width: Int, height: Int): ByteArray

    companion object {
        init { System.loadLibrary("imageprocessor") }
    }
}

// C++
extern "C" JNIEXPORT jbyteArray JNICALL
Java_com_example_ImageProcessor_processFrame(
    JNIEnv* env, jobject thiz,
    jbyteArray pixels, jint width, jint height) {

    auto* input = env->GetByteArrayElements(pixels, nullptr);
    // вызов OpenCV или своей логики
    env->ReleaseByteArrayElements(pixels, input, JNI_ABORT);
    // ...
}

Критичный момент — управление памятью на границе JNI. GetByteArrayElements с флагом 0 копирует массив (безопасно, но медленно). GetByteArrayElements с JNI_ABORT — не копирует изменения обратно. Для производительной обработки изображений используем GetDirectBufferAddress с ByteBuffer.allocateDirect() — это shared memory без копирования.

CMakeLists.txt через Android NDK: указываем target_link_libraries для подключения предкомпилированной .a или .so библиотеки. Для OpenCV — find_package(OpenCV REQUIRED) если собираем из исходников, или ручное подключение libopencv_core.a + libopencv_imgproc.a через add_library(opencv STATIC IMPORTED). Размер бинарника важен: OpenCV static linking добавляет 8–15 МБ на ABI. Используем abiFilters "arm64-v8a", "x86_64" — убираем лишние ABI.

ExceptionHandling в JNI. C++ исключения не проходят через JNI автоматически. Оборачиваем в try/catch на C++-стороне, бросаем Java-исключение через env->ThrowNew(env->FindClass("java/lang/RuntimeException"), message).

iOS: Objective-C bridging и Swift/C++ Interop

На iOS C-код подключается напрямую — Swift и Objective-C работают в одном рантайме с C. Для C++ нужен Objective-C++ (.mm файлы).

// ImageProcessorBridge.mm — Obj-C++ обёртка
#include "opencv2/opencv.hpp"
#import "ImageProcessorBridge.h"

@implementation ImageProcessorBridge
- (NSData *)processFrame:(NSData *)pixelData width:(int)w height:(int)h {
    cv::Mat mat(h, w, CV_8UC4, (void*)pixelData.bytes);
    // обработка
    NSData *result = ...;
    return result;
}
@end

Swift вызывает Objective-C через bridging header (-Bridging-Header.h). Напрямую C++ из Swift не вызвать до Swift 5.9, где появился экспериментальный Swift/C++ Interop — позволяет импортировать C++ типы напрямую через import CxxModule. В продакшене с Xcode 15 это уже рабочий вариант для простых C++ API без шаблонов и виртуального наследования.

XCFramework с нативной библиотекой. Если подключаем предкомпилированную C++ библиотеку — собираем .xcframework с lipo create для Device (arm64) и Simulator (arm64 + x86_64). Apple Silicon Simulator требует arm64, Intel Mac — x86_64; fat binary через lipo объединяет оба.

OpenCV на iOS. Официальный opencv2.framework (или xcframework) подключается через Cocoapods (pod 'OpenCV') или вручную. Размер: ~160 МБ в debug, с битового кода linker выбирает только нужные модули. Для App Store важен strip в Release-сборке.

Кейс. Приложение для real-time обработки видеопотока с камеры (фильтры, распознавание лиц): iOS — AVFoundation дает CMSampleBuffer → конвертация в cv::Mat через CVPixelBufferGetBaseAddress → OpenCV фильтр → отображение через MTLTexture (Metal). Android — Camera2 API → ImageReader с форматом YUV_420_888 → конвертация через libyuv в RGBA → OpenCV → SurfaceView. Биндинги написаны на Objective-C++ (iOS) и JNI (Android). Производительность: обработка кадра 1920×1080 — 8–12 мс на iPhone 13, 15–22 мс на mid-range Android.

Сборка и интеграция

CMake — кросс-платформенная система сборки и для Android NDK и для iOS (через CMake toolchain для iOS). Один CMakeLists.txt для нативной логики, разные toolchain файлы.

Для сложных C++ библиотек с autoconf/Makefile — configure && make запускается через cross-compilation toolchain NDK или iOS. Это более трудоёмко, но стандартная практика для OpenSSL, libsodium, FFmpeg.

Сроки

Стоимость рассчитывается индивидуально — зависит от сложности API целевой библиотеки и наличия существующей документации.