Electron-Vite 项目中 ESM 模式下的资源路径处理问题解析
问题背景
在使用 Electron-Vite 构建 Electron 应用程序时,开发者在 ESM (ECMAScript Modules) 模式下遇到了一个关于资源路径处理的常见问题。当导入静态资源(如图片、图标等)时,构建工具生成的代码中使用了 __dirname 变量,而这个变量在纯 ESM 环境中是不可用的。
问题现象
开发者通过以下方式导入资源:
import trayIconPath from '../../../assets/logoTemplate.png?asset';
构建后生成的代码为:
const trayIconPath = join(__dirname, "./chunks/logoTemplate-IqcVkt31.png");
在运行时抛出错误:
ReferenceError: __dirname is not defined in ES module scope
技术分析
ESM 与 CommonJS 的区别
在 Node.js 环境中,传统的 CommonJS 模块系统提供了 __dirname 和 __filename 等全局变量来获取当前模块的路径信息。然而,在 ESM 模式下,这些变量不再可用,开发者需要使用 import.meta.url 结合 fileURLToPath 来获取类似的信息。
Electron-Vite 的资源处理机制
Electron-Vite 在处理静态资源时,默认会生成使用 __dirname 的路径拼接代码。这在 CommonJS 模式下工作正常,但在 ESM 模式下会导致运行时错误。
解决方案
1. 正确配置 ESM 模式
确保项目配置正确,特别是 main.publicDir 的设置。完整的配置示例如下:
export default defineConfig({
main: {
build: {
rollupOptions: {
input: {
main: resolve(__dirname, "src/main.ts"),
},
output: {
format: "es"
}
},
outDir: 'dist/main',
},
publicDir: 'assets', // 注意这里是 main.publicDir
}
});
2. 文件扩展名处理
在 ESM 模式下,Electron-Vite 2.x 版本会为文件生成 .mjs 扩展名。如果发现生成的是 .js 文件,可能是配置或版本问题。
3. 预加载脚本的特殊处理
对于预加载脚本(preload),由于 Electron 的限制,通常需要使用 CommonJS 格式。可以通过以下配置强制使用 CommonJS:
preload: {
build: {
lib: {
entry: 'src/preload/index.ts',
formats: ['cjs'],
fileName: 'index'
},
rollupOptions: {
output: {
entryFileNames: '[name].js'
}
}
}
}
最佳实践建议
-
版本一致性:确保使用 Electron-Vite 2.x 版本,以获得最佳的 ESM 支持。
-
明确模块类型:在
package.json中明确指定"type": "module"来启用 ESM。 -
路径处理替代方案:在 ESM 模式下,可以使用以下方式替代
__dirname:import { fileURLToPath } from 'node:url'; import { dirname, join } from 'node:path'; const __filename = fileURLToPath(import.meta.url); const __dirname = dirname(__filename); -
构建目标明确:为不同进程明确指定构建格式:
- 主进程:ESM
- 渲染进程:ESM
- 预加载脚本:CommonJS
总结
Electron-Vite 项目在 ESM 模式下的资源路径处理需要特别注意构建配置和运行时环境的兼容性。通过正确配置构建选项、理解模块系统的差异以及采用适当的路径处理方法,可以有效地解决这类问题。对于混合使用 ESM 和 CommonJS 的 Electron 应用,合理的构建策略和明确的模块边界划分是确保项目稳定运行的关键。
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-1.5暂无简介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-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