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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00