MSW在Vite 5.x中base路径配置问题的解决方案
问题背景
在使用MSW(Mock Service Worker)进行前端API模拟时,当项目基于Vite 5.x构建并配置了base路径时,可能会遇到Service Worker加载失败的问题。具体表现为浏览器控制台报错404,无法找到mockServiceWorker.js文件。
问题原因
Vite 5.x版本对开发服务器和预览环境的HTML服务行为进行了对齐调整。当在vite.config.ts中设置了base路径(如'/my-app/')时,所有静态资源的请求路径都会基于这个base路径。然而,MSW默认生成的Service Worker注册路径没有考虑这个base配置,仍然尝试从根路径加载mockServiceWorker.js文件。
解决方案
方案一:显式指定Service Worker URL
在启动MSW worker时,可以通过serviceWorker.url参数显式指定正确的路径:
if (import.meta.env.DEV) {
const { worker } = await import("./mocks/browser");
await worker.start({
serviceWorker: {
url: `${import.meta.env.BASE_URL}/mockServiceWorker.js`,
},
});
}
这种方法利用了Vite提供的环境变量import.meta.env.BASE_URL,它会自动获取vite.config.ts中配置的base路径。
方案二:通过package.json配置
另一种方法是在package.json中设置homepage字段,然后在启动worker时引用这个值:
import packageJson from '../package.json'
if (process.env.NODE_ENV === 'development') {
const { worker } = await import('./mocks/browser')
await worker.start({
serviceWorker: {
url: `${packageJson.homepage}/mockServiceWorker.js`,
},
})
}
技术原理
Service Worker的注册路径必须与实际文件位置完全匹配。在Vite项目中,当配置了base路径后,所有静态资源都会被重新定位到base路径下。MSW默认生成的mockServiceWorker.js文件也会被放置在这个路径下,但Service Worker的注册逻辑没有自动适应这个变化。
通过显式指定url参数,我们确保了Service Worker的注册路径与实际文件位置一致,解决了404错误问题。
最佳实践
- 对于Vite项目,推荐使用import.meta.env.BASE_URL方案,因为它直接与Vite配置同步
- 确保mockServiceWorker.js文件被正确复制到构建输出目录
- 在开发和生产环境使用相同的base路径配置,避免环境差异
- 如果项目需要部署到不同路径下,考虑使用环境变量来动态设置base路径
总结
Vite 5.x的base路径配置是一个有用的功能,但在与MSW结合使用时需要特别注意Service Worker的注册路径问题。通过本文介绍的两种解决方案,开发者可以轻松解决路径不匹配的问题,确保API模拟功能在各种部署环境下正常工作。
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。C036
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-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
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