解决electron-builder中NSIS卸载脚本执行顺序问题
2025-05-15 18:41:50作者:尤辰城Agatha
问题背景
在electron-builder项目中使用NSIS打包Windows应用时,开发者可能会遇到一个典型的卸载流程问题:自定义卸载脚本在文件删除之后才执行。这会导致当卸载流程需要调用应用目录中的脚本时,脚本文件已经被删除,从而无法正常执行自定义卸载逻辑。
问题分析
electron-builder的NSIS卸载模板(uninstaller.nsh)中,默认的卸载流程遵循以下顺序:
- 删除安装的文件
- 执行自定义卸载命令(customUnInstall)
- 清理注册表等其他操作
这种顺序设计存在明显缺陷,因为一旦应用文件被删除,任何依赖于这些文件的自定义卸载脚本都将失效。例如,开发者可能需要在卸载时执行一些清理工作,或者调用应用目录中的特定卸载脚本,但此时这些文件已经被删除。
解决方案
正确的处理逻辑应该是:
- 首先执行自定义卸载命令(customUnInstall)
- 然后删除安装的文件
- 最后执行其他清理工作
这种顺序确保了在文件被删除前,所有依赖于这些文件的自定义卸载逻辑都能正常执行。
实现细节
在electron-builder的NSIS卸载模板中,需要调整以下代码块的顺序:
原始代码将文件删除操作放在自定义卸载之前:
# 删除安装的文件
Delete "$INSTDIR\*.*"
RMDir /r "$INSTDIR\*.*"
# 执行自定义卸载
!insertmacro customUnInstall
调整后应为:
# 首先执行自定义卸载
!insertmacro customUnInstall
# 然后删除安装的文件
Delete "$INSTDIR\*.*"
RMDir /r "$INSTDIR\*.*"
影响范围
这一改动会影响所有使用electron-builder打包的Windows应用,特别是那些:
- 依赖应用目录中的脚本进行卸载的应用
- 需要在卸载时执行特定清理逻辑的应用
- 需要在卸载时收集或处理应用数据的应用
最佳实践
对于electron应用开发者,建议:
- 如果需要在卸载时执行自定义逻辑,尽量将这些逻辑放在应用主进程中
- 对于必须使用外部脚本的情况,确保脚本路径不在应用安装目录下
- 考虑使用electron-builder的自定义NSIS脚本功能来完全控制卸载流程
总结
electron-builder的NSIS卸载流程中文件删除与自定义卸载命令的顺序问题是一个常见但容易被忽视的陷阱。通过调整这两者的执行顺序,可以确保自定义卸载逻辑能够正常执行,为Windows平台上的electron应用提供更可靠的卸载体验。开发者在使用自定义卸载功能时应当注意这一细节,以避免潜在的问题。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
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
330
137