WXT项目中的Firefox扩展打包优化:过滤排除入口文件
在WXT项目开发过程中,当我们需要为Firefox浏览器打包扩展时,可能会遇到一个常见需求:如何排除某些特定的入口文件不被包含在最终的zip压缩包中。这个问题看似简单,实则涉及到WXT构建流程中的多个环节。
问题背景
在开发浏览器扩展时,我们经常需要为不同浏览器平台定制不同的内容脚本。例如,某些脚本可能专门为Chrome设计,而在Firefox中不需要。WXT项目通过exclude['firefox']配置项允许开发者指定哪些内容脚本应该被排除在Firefox版本之外。
然而,在0.17.7版本中,这些被排除的文件仍然会被包含在最终的Firefox源代码zip包中,这显然不符合开发者的预期。
技术解决方案
WXT项目团队经过讨论,提出了几种可能的解决方案:
-
直接解决方案:在构建流程中,通过
zip.excludeSources配置项手动添加需要排除的文件路径。这是最直接的临时解决方案,但不够自动化。 -
构建流程优化:修改
findEntrypoints函数,增加一个布尔参数使其能够返回所有入口文件(包括被排除的),而不仅仅是当前构建目标需要的入口文件。这样可以通过对比找出需要排除的文件。 -
利用构建输出:分析构建过程中的
output.steps数据,其中已经包含了过滤后的入口点信息,可以用来指导zip打包过程。
实现细节
最终,WXT团队选择了最直接的解决方案,并在0.19.19版本中实现了这一功能。开发者现在可以通过在wxt配置中添加zip.excludeSources来显式指定需要排除的文件:
// wxt.config.ts
export default defineConfig({
zip: {
excludeSources: [
'path/to/excluded/script.js'
]
}
})
技术思考
这个问题的解决过程展示了几个重要的工程实践:
-
配置优先:提供明确的配置项让开发者能够直接控制构建行为,而不是通过隐式的规则。
-
渐进式改进:先提供简单直接的解决方案,再考虑更复杂的自动化方案。
-
版本迭代:通过版本更新逐步完善功能,确保每个变更都是可控的。
总结
WXT项目对Firefox扩展打包流程的优化,体现了对开发者实际需求的关注。通过简单的配置项,开发者现在可以精确控制哪些文件应该被包含在最终的zip包中,这对于多平台浏览器扩展开发尤为重要。这个改进虽然看似微小,但却能显著提升开发体验和构建产物的整洁性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00