在vite-react-electron项目中优化打包体积:排除node_modules依赖
2025-07-04 04:42:15作者:宗隆裙
背景介绍
在基于vite-react-electron构建的桌面应用程序时,开发者常常会遇到如何优化最终打包体积的问题。默认情况下,electron-builder会将所有依赖打包进app.asar文件中,但有时我们需要将某些特定的node_modules依赖排除在外,以减小主包体积或实现按需加载。
解决方案
使用asar的unpack配置
electron-builder提供了asar.unpack配置项,允许开发者指定哪些文件或目录不应该被打包进asar归档文件中,而是保持原始文件结构。这对于某些需要在运行时动态加载的模块特别有用。
"asar": {
"unpack": "node_modules/{dependency}/**"
}
这种配置方式会确保指定的依赖模块不会被压缩进app.asar,而是以原始文件形式存在于应用目录中。
使用extraResources额外资源
另一种更灵活的方式是使用extraResources配置项,它允许开发者精确控制哪些资源文件应该被包含在最终应用中,以及它们的存放位置。
"extraResources": [
{
"from": "node_modules/{dependency}/",
"to": "{dependency}-module",
"filter": ["**/*"]
}
]
这种方法有几个优势:
- 可以重命名目标目录,避免与原有node_modules结构冲突
- 可以精细控制包含哪些文件
- 资源会被放置在应用的resources目录下
访问这些资源
对于使用extraResources方式添加的模块,可以通过electron提供的process.resourcesPathAPI来获取这些资源的路径。例如:
const path = require('path');
const modulePath = path.join(process.resourcesPath, '{dependency}-module');
实际应用场景
这种技术特别适用于以下情况:
- 某些大型依赖库,希望按需加载
- 需要动态更新的模块
- 包含原生二进制文件的模块
- 许可证要求不能打包的第三方库
最佳实践建议
- 选择性排除:不要盲目排除所有node_modules,只排除确实有必要的依赖
- 路径处理:在代码中正确处理资源路径,考虑开发和生产环境差异
- 版本控制:确保排除的依赖版本与应用兼容
- 性能考量:评估排除依赖对应用启动性能的影响
通过合理使用这些配置选项,开发者可以更灵活地控制electron应用的打包结构,优化应用体积和加载性能。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
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
🔥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
64
19
暂无简介
Dart
671
155
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++
660
308
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
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
392
3.83 K
React Native鸿蒙化仓库
JavaScript
259
322