Rspress 项目中 lodash-es 模块引入问题解析与解决方案
问题背景
在 Rspress 项目构建过程中,开发者遇到了一个关于模块引入的典型问题。当项目构建完成后,在 @rspress/shared/dist/node-utils.js 文件中存在对 lodash-es 模块的 CommonJS 方式引入,而 lodash-es 是一个纯粹的 ESM 模块包,这导致了运行时错误。
错误现象
具体错误表现为 Node.js 运行时抛出的 ERR_REQUIRE_ESM 错误,提示开发者不能使用 require() 来引入 ESM 模块。错误信息明确指出,应该将 require 改为动态 import() 方式,因为动态导入在所有 CommonJS 模块中都可用。
技术分析
这个问题涉及到 Node.js 模块系统的几个关键概念:
-
CommonJS 与 ESM 模块系统的差异:CommonJS 使用
require()同步加载模块,而 ESM 使用import异步加载模块。 -
lodash-es 的模块特性:
lodash-es是 lodash 的 ESM 版本,专门为现代 JavaScript 模块系统设计,只支持 ESM 导入方式。 -
构建工具的处理:Rspress 在构建过程中将代码转换为 CommonJS 格式时,没有正确处理 ESM 依赖的引入方式。
影响范围
这个问题主要影响以下场景:
- 使用
@rspress/shared中的mergeDocConfig方法的插件开发者 - 在 CommonJS 环境中运行 Rspress 构建产物的用户
解决方案
针对这个问题,Rspress 团队提出了以下解决方案:
-
动态导入转换:将
require("lodash-es")改为动态import("lodash-es")方式。 -
异步函数适配:由于动态导入返回 Promise,相关函数需要改为异步函数。
-
插件系统兼容性:确保 Rspress 插件系统能够支持异步钩子函数,以兼容修改后的异步 API。
实施建议
对于遇到类似问题的开发者,可以采取以下措施:
-
检查依赖的模块格式:在使用第三方库时,注意查看其支持的模块系统。
-
统一项目模块系统:尽可能保持项目中模块系统的一致性,要么全部使用 ESM,要么全部使用 CommonJS。
-
构建工具配置:在构建工具中正确配置模块转换规则,特别是对于纯 ESM 包的处理。
总结
这个问题展示了在现代 JavaScript 生态系统中混合使用不同模块系统时可能遇到的挑战。Rspress 团队通过将同步 require 改为动态 import 的方式解决了这个问题,同时也确保了插件系统的向后兼容性。这为处理类似场景提供了一个很好的参考案例。
对于开发者而言,理解不同模块系统之间的差异以及构建工具如何处理这些差异,是构建稳定 JavaScript 应用的重要基础。
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