NestJS CLI 项目中 Webpack 构建失败的解决方案
在 NestJS 项目中,当开发者使用 Webpack 作为构建工具时,可能会遇到一个特定的构建错误:"Module not found: Error: Can't resolve 'class-transformer/storage'"。这个问题主要出现在使用了 @nestjs/mapped-types 包中的 IntersectionType 功能时。
问题背景
NestJS 是一个用于构建高效、可扩展 Node.js 服务器端应用程序的框架。它提供了强大的 CLI 工具来帮助开发者快速创建和管理项目。在 NestJS 项目中,开发者可以选择使用 Webpack 作为构建工具,这在某些场景下(如 monorepo 项目)特别有用。
问题现象
当项目配置了 Webpack 作为构建工具,并且代码中使用了 @nestjs/mapped-types 的 IntersectionType 来组合多个 DTO 类时,构建过程会失败,并报出找不到 'class-transformer/storage' 模块的错误。
根本原因
这个问题的根源在于 NestJS CLI 的 Webpack 默认配置中缺少了对 'class-transformer/storage' 模块的特殊处理。NestJS CLI 内部有一个"懒加载导入"列表,用于处理某些特定的模块,但在这个列表中缺少了 'class-transformer/storage' 模块。
解决方案
要解决这个问题,需要修改 NestJS CLI 的 Webpack 默认配置,将 'class-transformer/storage' 添加到懒加载导入列表中。具体修改如下:
const lazyImports = [
'@nestjs/microservices',
'@nestjs/microservices/microservices-module',
'@nestjs/websockets/socket-module',
'class-validator',
'class-transformer',
'class-transformer/storage', // 新增这一行
];
实现细节
-
懒加载导入的作用:这个列表中的模块会被 Webpack 特殊处理,确保它们在运行时正确加载,而不是在构建时就被打包。
-
为什么需要添加:
@nestjs/mapped-types内部使用了class-transformer的高级功能,这些功能依赖于 'class-transformer/storage' 模块。如果不将其添加到懒加载列表,Webpack 就无法正确处理这个依赖关系。 -
影响范围:这个修改会影响所有使用 Webpack 作为构建工具的 NestJS 项目,特别是那些使用了 DTO 组合功能的项目。
最佳实践
-
对于使用 Webpack 的 NestJS 项目,建议检查是否使用了
@nestjs/mapped-types的功能。 -
如果遇到类似的模块解析问题,可以检查 NestJS CLI 的 Webpack 配置,确保所有必要的依赖都被正确处理。
-
在 monorepo 项目中,这个问题的出现概率更高,因为 Webpack 的使用更为常见。
总结
这个问题的解决展示了 NestJS 生态系统中模块间依赖关系的复杂性。通过理解 Webpack 构建过程和 NestJS CLI 的内部配置,开发者可以更好地解决类似的构建问题。对于 NestJS 项目维护者来说,保持构建工具配置与核心库的同步更新是确保良好开发者体验的关键。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C027
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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