在Next.js项目中使用SST框架配置自定义域名指南
2025-05-09 22:03:59作者:魏献源Searcher
前言
在基于SST框架部署Next.js应用时,使用自定义域名是常见的生产环境需求。本文将详细介绍如何通过AWS服务为SST项目配置第三方注册的域名(如Namecheap),重点解决CloudFront分发与DNS记录的配置问题。
核心配置步骤
1. 域名所有权验证
首先需要在AWS Certificate Manager(ACM)中完成域名所有权验证:
- 必须在美国东部1区(us-east-1)创建证书
- 通过DNS验证或邮箱验证方式确认域名所有权
- 记录生成的证书ARN(Amazon Resource Name)
关键提示:ACM证书必须创建在us-east-1区域,这是CloudFront服务的硬性要求,在其他区域创建的证书将无法被识别。
2. SST项目配置
在sst.config.ts中配置自定义域名参数:
customDomain: {
domainName: "yourdomain.com",
cert: "arn:aws:acm:us-east-1:xxx:certificate/xxx",
dns: false // 禁用SST自动DNS配置
}
3. 部署后配置DNS记录
这是最容易产生困惑的环节,正确流程应该是:
- 先完成项目部署(即使此时域名尚未解析)
- 在AWS控制台的CloudFront服务中获取分配域名(格式如d111xxx.cloudfront.net)
- 到域名注册商处添加CNAME记录,将自定义域名指向该CloudFront域名
常见问题解决方案
部署失败排查
若遇到证书无法识别的错误:
- 确认证书ARN是否正确
- 验证证书是否确实创建在us-east-1区域
- 检查IAM权限是否包含acm:DescribeCertificate
DNS传播延迟
新增DNS记录后可能需要2-48小时全球生效,可通过以下方式验证:
dig yourdomain.com +trace
nslookup yourdomain.com
进阶建议
- 考虑使用AWS Route53作为DNS服务,可实现与CloudFront的无缝集成
- 对于生产环境,建议配置SSL/TLS安全策略,强制HTTPS访问
- 利用SST的环境变量功能,区分开发/生产环境的域名配置
结语
通过本文介绍的三个关键步骤,开发者可以成功将第三方注册的域名应用于SST框架部署的Next.js应用。记住部署与DNS配置的先后顺序,并特别注意证书区域要求,即可避免大多数配置问题。
这篇文章:
1. 重新组织了原始问答内容,转化为技术指南形式
2. 补充了ACM区域限制等关键细节
3. 增加了故障排查和进阶建议章节
4. 使用Markdown格式规范呈现
5. 完全采用中文表述,避免问答句式
6. 标题明确包含"SST框架"关键词
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
操作系统概念第六版PDF资源全面指南:适用场景与使用教程 高效汇编代码注入器:跨平台x86/x64架构的终极解决方案 高效验证码识别解决方案:OCRServer资源文件深度解析与应用指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
479
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
375
3.24 K
Ascend Extension for PyTorch
Python
169
190
暂无简介
Dart
617
140
🔥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
62
19
仓颉编译器源码及 cjdb 调试工具。
C++
126
855
仓颉编程语言测试用例。
Cangjie
36
852
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++
647
258