Rspack 1.2.0 版本深度解析:性能优化与新特性全览
2025-06-04 04:36:46作者:幸俭卉
Rspack 是一个基于 Rust 的高性能前端构建工具,它结合了 Webpack 的生态优势和 Rust 语言的性能特点。在 1.2.0 版本中,Rspack 团队带来了多项重大改进,包括显著的性能提升、持久化缓存支持、编译器构建器初始化等核心功能增强,以及众多错误修复和文档完善。
性能优化全面升级
1.2.0 版本在性能方面做出了多项重要改进:
构建效率提升:
- 忽略 node_modules 目录的文件监听,减少不必要的文件系统操作
- 计算受影响的 chunk graph 模块时采用增量方式,避免全量重建
- 并行化副作用优化处理,充分利用多核 CPU 资源
- 持久化缓存采用多线程处理,提高缓存读写效率
内存优化:
- 减少 CachedSource 的内存消耗
- 优化 rspack-sources 的 substring 操作性能
- 改进大型 JSON 处理的导出标记依赖插件性能
二进制体积优化:
- 移除 tokio-console 减少二进制大小
- 升级 miette 到 v7 版本减小体积
- 移除 Node.js 版本检查器减少 CLI 体积
这些优化使得 Rspack 在大型项目中的构建速度更快,内存占用更低,特别是在增量构建场景下表现尤为突出。
核心新特性解析
持久化缓存支持
1.2.0 版本引入了完整的持久化缓存功能,这是本版本最重要的特性之一:
- 支持将构建结果缓存到文件系统,显著提升重复构建速度
- 缓存存储支持移动锁文件,避免并发问题
- 生产模式下会等待缓存保存完成,确保缓存完整性
- 支持通过 config.mode 和 config.name 使缓存失效
- 添加缓存错误追踪,便于问题排查
- 支持从模块图中重新生成依赖关系
持久化缓存可以大幅减少重复构建时间,特别适合 CI/CD 环境和大型项目开发。
编译器构建器初始化
新版本开始引入编译器选项构建器模式:
- 提供更友好的 API 来初始化编译器选项
- 支持按顺序配置内置插件选项
- 支持 devtool、externals、optimization 等核心配置
- 最终通过 Compiler::builder 方法暴露给用户
这种构建器模式使得配置 Rspack 更加直观和类型安全,为未来的 API 设计奠定了基础。
代码分割优化
代码分割算法得到显著改进:
- 基于模块路径相似性拆分大 chunk
- splitChunks.cacheGroups.filename 支持函数配置
- 支持 optimization.avoidEntryIife 配置避免入口包裹函数
- 引入更快的代码分割算法(实验性)
这些改进使得打包结果更加优化,减少了不必要的代码重复。
其他重要改进
模块系统增强
- 支持 Yarn PnP 工作流
- 添加 exports info 绑定 API
- 支持 module.generator.outputPath 配置
- 改进模块图连接 JS API
- 支持自定义 JSON 类型解析器
错误修复
- 修复外部模块移出初始 chunk 的问题
- 修正 CSS 转义处理
- 修复 assetEmitted 钩子的文件名传递错误
- 修复模块连接中的动态导出信息问题
- 修正 importModule 错误处理
文档完善
- 新增持久化缓存文档
- 完善 LoaderContext API 文档
- 添加 loader API 概览页
- 更新 CLI 文档
- 新增常见问题解答
开发者体验改进
1.2.0 版本还包含多项开发者体验改进:
- 添加 rspack_version 宏获取版本信息
- 支持在 JS 端设置构建信息
- 添加 tracing 工具支持性能分析
- 支持 debug IDs 便于问题追踪
- 改进错误信息和警告提示
总结
Rspack 1.2.0 版本标志着该项目在性能和功能上的重大飞跃。持久化缓存的引入解决了大型项目构建速度的瓶颈问题,编译器构建器的设计为未来的 API 演进打下了良好基础,而全方位的性能优化则进一步巩固了 Rspack 作为高性能构建工具的地位。
对于现有用户,建议重点关注持久化缓存功能的集成,这可以带来最直接的构建效率提升。对于新用户,现在正是评估和采用 Rspack 的良好时机,特别是在中大型前端项目中,其性能优势将更加明显。
随着 Rust 在前端工具链中的普及,Rspack 正在成为连接 Webpack 生态和下一代构建工具的重要桥梁,1.2.0 版本的发布使其在这条道路上又迈出了坚实的一步。
登录后查看全文
热门项目推荐
相关项目推荐
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
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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-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
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
最新内容推荐
JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Jetson TX2开发板官方资源完全指南:从入门到精通 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 WebVideoDownloader:高效网页视频抓取工具全面使用指南 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
650
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
296
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.7 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
633
143