解决MSWJS项目中"instanceof右侧不是对象"的错误
在使用MSWJS(Mock Service Worker)进行前端测试时,开发者可能会遇到一个棘手的TypeError错误:"Right-hand side of 'instanceof' is not an object"。这个错误通常发生在Node.js环境下运行测试时,特别是在升级到较新版本的MSW后。
错误背景
这个错误源于JavaScript的instanceof操作符需要右侧是一个有效的构造函数或类。当Node.js环境中缺少某些Web API的polyfill时,MSW在尝试创建模拟响应对象时会抛出这个错误。
根本原因
问题的核心在于Node.js环境缺少浏览器中常见的Web API实现,特别是:
- TextEncoder/TextDecoder API
- Streams API(特别是ReadableStream和TransformStream)
- Fetch API及其相关对象(Response, Request等)
完整解决方案
要彻底解决这个问题,需要在测试设置文件中添加所有必要的polyfill。以下是完整的解决方案:
/**
* Node.js全局polyfill配置
* 这些必须在特定顺序下require,因为"undici"依赖"TextEncoder"全局API
*/
const { TextDecoder, TextEncoder } = require('node:util');
const { ReadableStream, TransformStream } = require('node:stream/web');
Object.defineProperties(globalThis, {
TextDecoder: { value: TextDecoder },
TextEncoder: { value: TextEncoder },
ReadableStream: { value: ReadableStream },
TransformStream: { value: TransformStream },
});
const { Blob, File } = require('node:buffer');
const { fetch, Headers, FormData, Request, Response } = require('undici');
Object.defineProperties(globalThis, {
fetch: { value: fetch, writable: true },
Blob: { value: Blob },
File: { value: File },
Headers: { value: Headers },
FormData: { value: FormData },
Request: { value: Request },
Response: { value: Response },
});
关键点说明
-
模块导入顺序很重要:必须先导入TextEncoder/TextDecoder,再导入其他API
-
正确的导入路径:
- Stream相关API必须从'node:stream/web'导入
- 工具类API从'node:util'导入
- Blob等从'node:buffer'导入
-
全局挂载:使用Object.defineProperties将这些API挂载到globalThis上
-
完整API集合:解决方案中包含了所有必要的Web API polyfill,包括:
- 文本编码/解码API
- 流处理API
- Fetch API及其相关对象
- 二进制数据处理API
为什么需要这些polyfill
MSW在Node.js环境下运行时,需要模拟浏览器环境中的许多Web API。较新版本的MSW对运行环境有更严格的要求,需要完整的Web API支持才能正确创建模拟请求和响应对象。缺少任何一个关键API都可能导致类型检查失败,从而出现"instanceof右侧不是对象"的错误。
替代方案
如果觉得维护这些polyfill比较复杂,可以考虑:
- 使用更现代的测试运行器(如Vitest),它们对Web API有更好的内置支持
- 使用jsdom环境运行测试,它提供了更完整的浏览器API模拟
总结
通过正确配置所有必要的Web API polyfill,可以彻底解决MSWJS在Node.js测试环境中出现的"instanceof"类型错误。这个解决方案已经被多位开发者验证有效,适用于大多数使用MSW进行前端测试的场景。关键在于确保测试环境拥有所有必需的浏览器API实现,并按照正确的顺序加载它们。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00