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。
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-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
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