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。
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。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00