lint-staged 如何处理已删除文件的问题分析与解决方案
问题背景
在使用 lint-staged 进行 Git 预提交钩子管理时,开发者发现了一个关键问题:当提交中包含被删除的文件时,lint-staged 不会对这些文件执行配置的脚本。这在实际开发中可能导致构建结果不完整,特别是在需要根据源代码变更重新构建分发(dist)目录的情况下。
问题重现
在典型的开发场景中,开发者可能会:
- 删除 src/ 目录下的某些文件
- 期望 lint-staged 触发构建脚本重新生成 dist/ 目录
- 但实际发现 lint-staged 跳过了这些被删除文件的处理
通过调试日志可以看到,lint-staged 明确显示跳过了对已删除文件的处理:
[STARTED] ./src/**/* — 0 files
[SKIPPED] ./src/**/* — no files
技术原因分析
lint-staged 默认使用 git diff 的 --diff-filter 参数来检测变更文件,其默认值为 ACMR,代表:
- A: 新增文件(Added)
- C: 复制文件(Copied)
- M: 修改文件(Modified)
- R: 重命名文件(Renamed)
默认配置中不包含 D(Deleted),因此被删除的文件不会被 lint-staged 捕获和处理。这种设计是有意为之的,因为大多数代码检查工具(如 ESLint、Prettier)无法对不存在的文件执行操作。
解决方案
方案一:修改 diff-filter 参数
可以通过在运行 lint-staged 时添加 --diff-filter 参数来包含已删除文件:
npx lint-staged --diff-filter="ACMRD"
这将使 lint-staged 也处理被删除的文件(D)。可以根据实际需要组合不同的过滤器值。
方案二:配置文件调整
在项目的 package.json 或 lint-staged 配置文件中,可以指定 diffFilter 选项:
{
"lint-staged": {
"diffFilter": "ACMRD",
"*.js": "eslint"
}
}
方案三:确保总有非删除变更
如果构建脚本必须运行,可以确保每次提交至少包含一个非删除的变更。例如,可以:
- 在删除文件的同时修改另一个文件
- 添加一个空行到 README 等不影响功能的文件
最佳实践建议
-
理解构建依赖:明确哪些操作依赖于文件删除事件,评估是否真的需要在预提交阶段处理
-
分层处理:
- 对代码风格检查保持默认的 ACMR 过滤
- 对构建任务使用包含 D 的过滤器
-
配置示例:
// .lintstagedrc.js
module.exports = {
'src/**/*.{js,ts}': ['eslint --fix', 'prettier --write'],
'src/**/*': {
'diffFilter': 'ACMRD',
'commands': () => ['npm run build']
}
}
- 测试验证:创建专门的测试用例验证删除文件时的构建行为
深入思考
这个问题反映了工具链设计中的一个常见权衡:默认安全性与功能完备性。lint-staged 选择了更安全的默认行为,避免在文件不存在时调用可能出错的分析工具。开发者需要根据实际场景调整这一行为。
对于复杂的构建系统,可能需要考虑:
- 将构建步骤从预提交钩子移到 CI 流程中
- 使用文件系统监听工具而非 Git 变更检测
- 实现自定义的变更检测逻辑
理解这一机制有助于开发者更好地设计他们的提交前工作流,确保构建结果的准确性。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00