WXT项目中解决Sizzle选择器在Node环境报错的方案
背景介绍
在开发浏览器扩展时,我们经常需要在内容脚本(content script)中操作DOM元素。WXT作为一个现代化的浏览器扩展开发框架,提供了便捷的开发体验。然而,当开发者尝试在WXT项目中使用Sizzle这样的DOM选择器库时,可能会遇到"window is not defined"的错误。
问题本质
这个问题的根源在于模块加载的环境差异。Sizzle是一个专门为浏览器环境设计的DOM操作库,它依赖于浏览器提供的window对象。而在WXT项目的构建过程中,代码可能会先在Node.js环境下被处理,这时window对象并不存在,导致报错。
解决方案
1. 使用WXT的内容脚本定义方式
WXT框架提供了defineContentScript方法来定义内容脚本,这是推荐的做法。在这种方式下,代码会被正确地注入到浏览器环境中执行:
export default defineContentScript({
matches: ['*://*/*'],
main() {
// 这里的代码会在浏览器环境中执行
const elements = document.querySelectorAll('.my-class');
console.log(elements);
}
});
2. 避免在模块顶层使用浏览器API
如果确实需要使用Sizzle等浏览器专用库,应该确保它们只在浏览器环境中被调用。可以将相关代码放在函数内部或生命周期钩子中:
export function cssSelector(selector: string, documentCtx: Document) {
// 动态导入确保只在需要时加载
const Sizzle = require('sizzle');
return Sizzle(selector, documentCtx);
}
3. 使用环境判断
对于需要在不同环境中运行的代码,可以添加环境判断:
if (typeof window !== 'undefined') {
// 浏览器环境代码
const Sizzle = require('sizzle');
// 使用Sizzle...
}
最佳实践建议
-
优先使用原生DOM API:现代浏览器已经提供了强大的选择器API(
querySelector,querySelectorAll等),大多数情况下不需要额外引入Sizzle。 -
理解WXT的执行环境:WXT项目中的代码会在多个环境中执行,包括构建时(Node环境)和运行时(浏览器环境)。
-
模块设计原则:保持模块的纯净性,避免在模块顶层执行有环境依赖的代码。
-
利用WXT的架构优势:WXT已经为浏览器扩展开发做了很多优化,遵循其推荐模式可以避免很多环境相关的问题。
总结
在WXT项目开发中遇到"window is not defined"错误时,开发者应该首先考虑代码执行的环境上下文。通过遵循WXT的内容脚本定义规范、合理安排代码执行时机,以及必要时进行环境判断,可以有效地解决这类问题。理解浏览器扩展开发特有的环境差异,是成为高效扩展开发者的关键一步。
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