React Native Testing Library 中解决 Jest 测试的 ES6 模块解析问题
在 React Native 项目中使用 Jest 进行单元测试时,开发人员经常会遇到 "Unexpected token 'export'" 的错误。这个问题通常出现在测试环境尝试解析包含 ES6 模块语法的第三方依赖时。本文将深入分析这个常见问题的原因,并提供完整的解决方案。
问题根源分析
当 Jest 运行测试时,它会通过 Babel 将代码转换为 Jest 能够理解的格式。错误的核心在于 Jest 的转换配置未能正确处理某些依赖中的 ES6 模块语法。这通常由以下几个因素导致:
- Babel 配置不完整或冲突
- Jest 的 transformIgnorePatterns 设置不当
- 预设(preset)之间的兼容性问题
- 缺少必要的插件支持
解决方案详解
1. 优化 Jest 配置
正确的 Jest 配置应该专注于 React Native 测试环境,避免过度复杂的转换规则:
module.exports = {
preset: "@testing-library/react-native",
moduleFileExtensions: ["ts", "tsx", "js", "jsx", "json"],
setupFilesAfterEnv: ["<rootDir>/jestSetup.ts"]
};
关键点说明:
- 使用
@testing-library/react-native预设,它已经包含了 React Native 测试所需的基本配置 - 明确指定支持的文件扩展名
- 通过
setupFilesAfterEnv加载测试环境设置
2. 完善测试环境设置
在 jestSetup.ts 文件中,我们需要确保测试环境正确初始化:
import "@testing-library/react-native/extend-expect";
jest.mock("react-native/Libraries/Animated/NativeAnimatedHelper");
jest.mock("react-native-webrtc");
jest.mock("node-fetch", () => require("jest-fetch-mock"));
这段代码完成了三个重要任务:
- 扩展了 React Native Testing Library 的断言能力
- 模拟了 React Native 的动画模块
- 处理了网络请求的模拟
3. 精简 Babel 配置
Babel 配置应该保持简洁,避免不必要的预设和插件:
module.exports = {
presets: ["module:@react-native/babel-preset"],
plugins: [
"react-native-reanimated/plugin",
"babel-plugin-styled-components",
[
"module-resolver",
{
root: ["./src"],
alias: {}
}
]
]
};
这个配置的特点:
- 仅使用 React Native 官方推荐的 Babel 预设
- 只包含项目实际需要的插件
- 保持了模块解析功能
最佳实践建议
-
避免混合多个预设:不要同时使用
@react-native/babel-preset和@babel/preset-react,这可能导致冲突 -
谨慎使用 transformIgnorePatterns:除非必要,否则不要过度排除 node_modules 中的模块转换
-
保持配置简洁:从最小配置开始,逐步添加必要的功能,而不是一开始就使用复杂配置
-
定期更新依赖:确保 Jest、Babel 和相关测试库保持最新版本,以获得最佳兼容性
-
统一测试环境:确保开发环境和 CI 环境使用相同的 Node.js 和包管理器版本
总结
解决 React Native 测试中的 ES6 模块解析问题,关键在于正确配置 Jest 和 Babel 的协作关系。通过简化配置、使用官方推荐的预设、合理设置测试环境,可以避免大多数模块解析相关的问题。本文提供的解决方案已经在实际项目中得到验证,能够有效解决 "Unexpected token 'export'" 这类错误,为 React Native 项目的测试提供稳定可靠的基础。
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