MSW.js 在 Jest 测试环境中遇到的 Response 兼容性问题解析
问题背景
在使用 MSW.js (Mock Service Worker) 进行 API 模拟测试时,开发者可能会遇到 TypeError: response.body.getReader is not a function 的错误。这个问题通常出现在使用 Jest 作为测试框架的环境中,特别是当测试代码尝试模拟 JSON 响应时。
问题本质
这个问题的根源在于 Jest 测试环境与 Node.js 原生模块之间的兼容性问题。具体来说,涉及以下几个方面:
-
Response 对象的实现差异:现代 Node.js 版本(18+)提供了符合 Fetch API 标准的全局 Response 对象,但 Jest 测试环境可能会使用不兼容的 polyfill 或模拟实现。
-
structuredClone 方法的问题:Node.js 18+ 原生支持的 structuredClone 方法在 Jest 的核心-js polyfill 中可能实现不正确,导致 Response 对象的处理出现问题。
-
流式读取器的缺失:错误信息中提到的 getReader 方法是 ReadableStream 的一部分,在 Jest 环境中可能没有被正确实现。
解决方案
方案一:使用 Node.js 原生模块
最推荐的解决方案是确保测试环境中使用 Node.js 原生的 Fetch API 实现:
const { fetch, Headers, FormData, Request, Response } = require('node:undici');
globalThis.fetch = fetch;
globalThis.Headers = Headers;
globalThis.FormData = FormData;
globalThis.Request = Request;
globalThis.Response = Response;
方案二:添加必要的 polyfill
如果必须使用 Jest 环境,可以尝试添加以下 polyfill:
const { TextDecoder, TextEncoder, ReadableStream } = require('node:util');
Object.defineProperties(globalThis, {
TextDecoder: { value: TextDecoder },
TextEncoder: { value: TextEncoder },
ReadableStream: { value: ReadableStream }
});
方案三:降级 undici 版本
在某些情况下,降级 undici 库到 v5 版本可以解决问题,因为该版本不依赖 structuredClone 方法:
npm install undici@5
最佳实践建议
-
考虑迁移到 Vitest:Vitest 作为新一代测试框架,对现代 JavaScript 特性的支持更好,可以避免这类兼容性问题。
-
保持依赖更新:确保 MSW.js 和所有相关依赖都是最新版本,因为这些问题通常会在新版本中得到修复。
-
隔离测试环境:为测试环境单独配置必要的全局变量和 polyfill,避免影响生产代码。
-
关注 Jest 社区:如果必须使用 Jest,关注其官方仓库中关于 Fetch API 和 structuredClone 相关问题的讨论和修复。
总结
MSW.js 在 Jest 测试环境中遇到的 Response 兼容性问题,本质上是测试工具与现代 JavaScript 特性之间的适配问题。通过理解问题的技术本质,开发者可以选择最适合自己项目的解决方案。长期来看,考虑使用更现代的测试工具或等待 Jest 的更新修复,可能是更可持续的解决方案。
对于使用 NX 等现代前端工具链的项目,特别需要注意测试环境的配置,确保所有必要的 polyfill 和全局变量都已正确设置。这样才能充分发挥 MSW.js 在 API 模拟测试中的强大功能。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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