在Next.js-Auth0项目中为Storybook添加Mock支持的最佳实践
背景介绍
随着Storybook 8.1版本的发布,开发者现在能够为使用Next.js App Router编写的页面组件创建Storybook故事。然而,当页面组件使用Next.js-Auth0库的withPageAuthRequired功能进行包装时,如何为这些认证相关的组件创建有效的Mock成为了一个技术挑战。
核心问题分析
在Next.js应用中集成Auth0认证时,我们通常会使用withPageAuthRequired高阶组件来保护页面。这个HOC会检查用户会话,如果未认证则重定向到登录页面。在Storybook环境中,我们需要模拟以下几种状态:
- 已认证用户状态(包含用户信息)
- 未认证用户状态
- 认证过程中的加载状态
解决方案探索
1. 使用generateSessionCookie辅助函数
Next.js-Auth0库提供了一个generateSessionCookie辅助函数,可以用来生成有效的会话cookie。这个函数在v3和v4版本中都可用,是创建Mock会话的理想选择。
import { generateSessionCookie } from '@auth0/nextjs-auth0/testing';
// 在Storybook的preview.js中配置全局Mock
export const decorators = [
(Story) => {
// 模拟已登录用户
document.cookie = generateSessionCookie({
user: {
name: 'Mock User',
email: 'mock@example.com'
}
});
return <Story />;
}
];
2. 创建自定义Mock模块
对于更复杂的场景,可以创建专门的Mock模块来模拟Next.js-Auth0的行为:
// __mocks__/@auth0/nextjs-auth0.ts
export const withPageAuthRequired = (Component) => {
return (props) => {
const [isLoading, setIsLoading] = useState(true);
const [user, setUser] = useState(null);
useEffect(() => {
// 模拟认证检查过程
setTimeout(() => {
setUser({
name: 'Mock User',
email: 'mock@example.com'
});
setIsLoading(false);
}, 500);
}, []);
if (isLoading) return <div>Loading...</div>;
if (!user) return <div>Redirecting to login...</div>;
return <Component user={user} {...props} />;
};
};
export const useUser = () => ({
user: {
name: 'Mock User',
email: 'mock@example.com'
},
isLoading: false,
error: null
});
3. 集成Storybook的模块Mock系统
Storybook 8.1+提供了强大的模块Mock功能,可以针对不同的Story模拟不同的认证状态:
// YourComponent.stories.tsx
import { withPageAuthRequired } from '@auth0/nextjs-auth0';
export default {
title: 'Components/ProtectedPage',
parameters: {
nextjs: {
appDirectory: true,
},
mock: {
'@auth0/nextjs-auth0': {
withPageAuthRequired: (Component) => (props) => (
<Component
user={{ name: 'Storybook User', email: 'storybook@example.com' }}
{...props}
/>
),
useUser: () => ({
user: { name: 'Storybook User', email: 'storybook@example.com' },
isLoading: false
})
}
}
}
};
export const LoggedIn = {
render: () => <YourProtectedComponent />
};
export const Loading = {
parameters: {
mock: {
'@auth0/nextjs-auth0': {
useUser: () => ({ isLoading: true, user: null })
}
}
},
render: () => <YourProtectedComponent />
};
最佳实践建议
-
分层Mock策略:根据测试需求,实现不同层级的Mock,从简单的cookie模拟到完整的认证流程模拟。
-
状态多样性:确保覆盖所有关键认证状态:已认证、未认证、加载中、认证错误等。
-
类型安全:使用TypeScript确保Mock数据与真实API返回的数据类型一致。
-
环境隔离:确保Mock只在Storybook环境中生效,不影响生产代码。
-
文档记录:为团队记录Mock的使用方法和约定,保持一致性。
高级技巧
对于需要测试复杂认证流程的场景,可以考虑:
- 动态Mock:根据Story的参数动态生成不同的用户角色和权限。
export const AdminView = {
parameters: {
mock: {
'@auth0/nextjs-auth0': {
useUser: () => ({
user: {
name: 'Admin User',
email: 'admin@example.com',
role: 'admin'
}
})
}
}
}
};
- 错误场景模拟:模拟认证失败等异常情况。
export const AuthError = {
parameters: {
mock: {
'@auth0/nextjs-auth0': {
useUser: () => ({
error: new Error('Authentication failed'),
isLoading: false,
user: null
})
}
}
}
};
- 与MSW集成:结合Mock Service Worker模拟完整的API认证流程。
总结
为Next.js-Auth0项目中的认证组件创建Storybook Mock需要考虑多方面因素,从简单的cookie模拟到完整的认证流程再现。通过合理利用Next.js-Auth0提供的测试工具和Storybook的Mock系统,开发者可以构建出真实反映各种认证状态的组件故事,大大提高UI开发的效率和质量。
记住,良好的Mock设计应该使组件在不同认证状态下的行为一目了然,同时保持与生产环境行为的一致性。随着Storybook和Next.js-Auth0的持续发展,这些技术方案也将不断演进,值得开发者持续关注。
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