Dumi项目优化:解决构建产物拆包过多问题
2025-06-19 09:16:42作者:魏侃纯Zoe
问题背景
在使用Dumi构建ICMS平台导出的MD格式文档时,开发者遇到了一个常见但棘手的问题:构建过程中自动拆包过多,导致最终生成的打包产物数量超过了DEF平台的3000个文件限制。这种情况在文档项目较大时尤为明显,会直接影响项目的部署和上线。
问题分析
Dumi基于Umi框架构建,默认会采用现代化的代码分割策略。这种策略的核心是将每个页面或路由拆分为独立的代码块(chunk),以实现按需加载和优化首屏性能。然而,当文档项目规模较大时,这种自动拆包机制可能会导致:
- 生成过多的细小文件
- 超出某些部署平台的限制
- 增加HTTP请求数量
解决方案
针对这一问题,Dumi提供了多种配置方式,开发者可以根据项目实际情况选择最适合的方案:
方案一:修改路由加载器配置
在dumi配置文件中,可以通过设置routeLoader.moduleType为cjs来改变模块加载方式:
// .dumirc.ts
export default {
routeLoader: {
moduleType: 'cjs'
}
}
这种配置会让Dumi使用CommonJS模块系统而非ES模块,从而减少动态导入带来的代码分割。
方案二:Webpack动态导入配置
对于熟悉Webpack的开发者,可以通过chainWebpack直接修改动态导入行为:
// .dumirc.ts
export default {
chainWebpack(memo) {
memo.module.parser.set('javascript', {
dynamicImportMode: 'eager'
})
return memo
}
}
这种配置会告诉Webpack将所有动态导入转换为立即执行的require调用,避免生成额外的代码块。
方案三:Mako构建器配置
如果项目使用Mako作为构建工具,可以在mako配置文件中启用动态导入转换:
// mako.config.json
{
"dynamicImportToRequire": true
}
这种配置与方案二类似,但针对的是Mako构建流程。
方案选择建议
- 简单项目:推荐使用方案一,配置简单且效果明显
- 复杂项目:如果已经深度定制Webpack配置,方案二可能更灵活
- Mako项目:自然选择方案三
注意事项
实施这些优化后,开发者需要注意:
- 首屏加载的JavaScript体积可能会增大
- 按需加载的优势将减弱
- 建议在优化前后进行性能测试对比
总结
通过合理配置Dumi的构建行为,开发者可以灵活控制代码分割策略,在项目规模和部署要求之间找到平衡点。这些解决方案不仅适用于ICMS导出的文档项目,对于其他大型Dumi文档站点同样具有参考价值。
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
暂无简介
Dart
671
155
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++
660
309
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
392
3.84 K
React Native鸿蒙化仓库
JavaScript
259
322