Electron Builder中禁用NSIS多架构合并安装包的配置方法
在Electron应用打包过程中,使用Electron Builder的NSIS目标(target)时,当为多个架构(如x64和ia32)构建Windows安装包时,系统默认会生成三种安装包:x64架构安装包、ia32架构安装包以及一个合并的通用安装包。本文将详细介绍如何通过配置来禁用这个合并安装包的生成。
背景知识
NSIS(Nullsoft Scriptable Install System)是Windows平台上一个流行的安装包制作工具。Electron Builder利用NSIS为Electron应用创建Windows安装程序。当开发者指定为多个架构构建时,Electron Builder会为每个架构生成单独的安装包,同时还会生成一个"通用"安装包,这个安装包能够在运行时自动检测系统架构并安装对应的版本。
为什么需要禁用合并安装包
虽然合并安装包提供了便利性,但在某些场景下开发者可能希望禁用它的生成:
- 应用依赖原生模块(如better-sqlite3),这些模块需要针对不同架构分别构建
- 减少构建产物数量,简化发布流程
- 需要严格控制每个架构的安装包内容
- 减少构建时间和构建产物体积
配置方法
从Electron Builder 26.0.0-alpha.3版本开始,可以通过在配置中添加buildUniversalInstaller: false选项来禁用合并安装包的生成:
{
"win": {
"target": "nsis",
"buildUniversalInstaller": false
}
}
当同时为多个架构构建时,例如x64和ia32,配置示例如下:
{
"win": {
"target": [
{
"target": "nsis",
"arch": "x64"
},
{
"target": "nsis",
"arch": "ia32"
}
],
"buildUniversalInstaller": false
}
}
注意事项
-
此配置仅适用于
nsis目标,不适用于nsis-web目标。nsis-web目标必须生成合并安装包,因为它需要根据下载时的系统架构决定安装哪个版本。 -
当禁用合并安装包时,生成的安装包文件名会自动包含架构后缀(如
-x64、-ia32),以便区分不同架构的安装包。 -
如果需要保持文件名一致性,可以通过
artifactName配置来自定义文件名模式。 -
对于使用原生模块的项目,建议在构建前清理构建目录,确保每个架构的构建都是独立的。
替代方案
如果使用的Electron Builder版本不支持buildUniversalInstaller选项,可以通过编程式API分别构建不同架构的安装包:
const { build } = require('electron-builder')
async function buildSeparately() {
await build({
targets: Platform.WINDOWS.createTarget('nsis', 'x64'),
config: {
// 你的配置
}
})
await build({
targets: Platform.WINDOWS.createTarget('nsis', 'ia32'),
config: {
// 你的配置
}
})
}
buildSeparately()
总结
通过buildUniversalInstaller: false配置,开发者可以灵活控制Electron Builder生成的NSIS安装包类型,满足不同场景下的分发需求。这一功能特别适合需要严格区分不同架构安装包的项目,或者依赖原生模块的应用。随着Electron Builder的持续更新,这一功能的稳定性和易用性还将进一步提升。
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