Electron-Builder 中如何正确处理 node_modules 中的示例文件
在 Electron 应用开发过程中,使用 electron-builder 打包时经常会遇到 node_modules 中某些文件被意外排除的问题。特别是像 Three.js 这样的流行库,其示例文件通常存放在 node_modules/three/examples/ 目录下,这些文件在实际开发中非常有用,但默认情况下会被 electron-builder 排除在最终打包产物之外。
问题背景
electron-builder 出于优化打包体积的考虑,默认会排除 node_modules 中的一些非必要文件,包括测试文件、示例文件等。这种默认行为虽然能减小应用体积,但当开发者确实需要使用这些被排除的文件时,就会遇到问题。
对于 Three.js 这样的库,其 examples 目录下包含了许多实用的模块和示例代码,开发者可能会在自己的项目中直接引用这些模块。如果这些文件被打包工具排除,就会导致运行时错误。
解决方案
方法一:使用 onNodeModuleFile 钩子
electron-builder 提供了 onNodeModuleFile 配置项,允许开发者自定义对 node_modules 中文件的处理逻辑。通过这个钩子,可以强制包含特定路径的文件:
{
onNodeModuleFile: filePath => {
return filePath.includes('node_modules/three/examples')
}
}
注意跨平台兼容性,Windows 系统需要使用反斜杠路径分隔符:
{
onNodeModuleFile: filePath => {
return filePath.includes('node_modules/three/examples') ||
filePath.includes('node_modules\\three\\examples')
}
}
或者更优雅地使用 path.sep 实现跨平台兼容:
const path = require('path')
{
onNodeModuleFile: filePath => {
return filePath.includes(`node_modules${path.sep}three${path.sep}examples`)
}
}
方法二:使用 files 配置覆盖默认排除规则
electron-builder 的 files 配置理论上应该能够覆盖默认的排除规则。开发者可以尝试以下配置:
{
files: [
"**/*",
"**/node_modules/*/examples/**/*"
]
}
但需要注意的是,在 electron-builder 24.13.3 版本中,默认排除规则的优先级较高,这种方法可能不会生效。不过,社区已经意识到这个问题,并在后续版本中进行了改进。
方法三:使用 disableDefaultIgnoredFiles 配置
在 electron-builder 的较新版本中,新增了 disableDefaultIgnoredFiles 配置项,可以完全禁用默认的文件排除规则:
{
disableDefaultIgnoredFiles: true
}
这个选项给了开发者更大的控制权,特别是当项目确实需要包含那些通常会被排除的文件时。
最佳实践建议
-
精确包含:尽量避免使用过于宽泛的包含规则,而是精确指定需要包含的文件路径,这有助于控制最终打包体积。
-
跨平台考虑:处理文件路径时始终考虑跨平台兼容性,使用 path 模块来处理路径分隔符。
-
版本适配:检查使用的 electron-builder 版本,新版本提供了更灵活的文件包含控制选项。
-
性能权衡:在包含大量额外文件前,评估其对应用启动时间和体积的影响,特别是对于 Electron 应用来说,体积控制尤为重要。
总结
electron-builder 的文件包含/排除机制虽然默认会优化打包结果,但也提供了多种方式让开发者能够按需调整。理解这些机制并根据项目需求合理配置,可以确保所有必要的资源文件都被正确包含在最终的应用包中。随着 electron-builder 的持续更新,文件包含的控制也变得更加灵活和直观。
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