Symfony Webpack Encore 中解决 Twig 文件修改不触发构建的问题
在基于 Symfony 和 Webpack Encore 的前端开发中,很多开发者会遇到一个常见问题:当修改 Twig 模板文件时,Webpack 的 watch 模式或 dev-server 不会自动触发重新构建。这个问题在使用 PostCSS PurgeCSS 等工具时尤为明显,因为这些工具会扫描 Twig 文件来清除未使用的 CSS 类。
问题根源分析
Webpack 的核心构建机制是基于依赖图的。默认情况下,Webpack 只会监视直接导入到 JavaScript 模块中的文件。对于 Twig 文件,Webpack 并不知道它们与 CSS 构建过程的关系,因此修改这些文件不会触发重新构建。
解决方案探索
1. 配置 dev-server 监视 Twig 文件
通过修改 webpack.config.js 可以强制 dev-server 监视 Twig 文件的变化:
Encore
.configureDevServerOptions(options => {
options.liveReload = true;
options.static = {
watch: false
};
options.watchFiles = {
paths: ['templates/**/*.twig'],
};
})
这种方法会让浏览器在 Twig 文件修改时自动刷新,但不会重新构建 CSS 资源,因为 Webpack 仍然不知道这些文件与构建过程的关联。
2. 更优的解决方案:建立正确的依赖关系
更专业的解决方案是让 PostCSS PurgeCSS 向 Webpack 声明它对 Twig 文件的依赖。这可以通过 PostCSS 的依赖报告机制实现:
Encore
.enablePostCssLoader(options => {
options.postcssOptions = {
plugins: [
require('postcss-add-dependencies')({
dependencies: [
{ path: 'templates/**/*.twig' }
]
}),
// 其他 PostCSS 插件
]
}
})
这种方法比简单地监视文件更高效,因为它:
- 只重新构建受影响的模块(CSS 及其依赖项)
- 不会触发完整的 Webpack 重新编译
- 更精确地反映了构建过程中的实际依赖关系
最佳实践建议
-
优先使用依赖声明:相比全局监视文件,建立精确的依赖关系是更专业和高效的解决方案。
-
考虑构建性能:对于大型项目,全局监视所有 Twig 文件可能会带来性能开销,而依赖声明则更加精准。
-
开发环境优化:在开发环境中,可以结合使用两种方法 - 既建立正确的依赖关系,又配置 dev-server 的自动刷新功能。
-
生产环境注意:确保生产环境构建时不会因为依赖关系声明而引入不必要的构建步骤。
通过理解 Webpack 的依赖图机制和合理配置构建工具,开发者可以有效地解决 Twig 文件修改不触发构建的问题,同时保持高效的开发工作流程。
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