JSR项目中目录解析错误的排查与修复
在JSR项目的发布过程中,用户报告了一个"error: Is a directory (os error 21)"的错误。这个错误发生在尝试发布包含复杂目录结构的TypeScript包时,具体表现为Deno发布工具无法正确处理某些目录路径的解析。
问题背景
该错误出现在一个名为@trpc/server的包发布过程中,这个包具有相当复杂的目录结构和导出配置。从jsr.json文件可以看到,该包定义了多个子路径导出,包括各种适配器和核心功能模块。问题特别出现在解析"unstable-core-do-not-import"路径时。
错误分析
核心问题在于路径解析逻辑存在缺陷。当Deno的模块解析器遇到类似"../../unstable-core-do-not-import"这样的相对路径时,它应该尝试解析为两种可能:
- 作为文件路径:"./unstable-core-do-not-import.ts"
- 作为目录路径:"./unstable-core-do-not-import/index.ts"
然而,实际的解析逻辑存在问题:当路径指向一个目录时,解析器错误地直接将目录本身作为解析结果,而不是继续查找目录内的index.ts文件。这导致了"error: Is a directory (os error 21)"的错误,因为系统无法直接将目录作为模块导入。
技术细节
在Node.js和Deno的模块解析规范中,目录导入应该遵循以下规则:
- 首先检查目录下是否存在package.json文件,并读取其中的main字段
- 如果没有package.json,则查找index.js或index.ts文件
- 如果以上都不存在,才应该抛出错误
Deno的原始实现在这一逻辑链上存在缺陷,当遇到目录时没有继续向下查找index文件,而是直接将目录路径作为最终结果传递给了后续处理流程。
解决方案
Deno团队通过PR#22800修复了这一问题。修复的核心内容是完善了模块解析器的行为,确保:
- 当路径指向目录时,继续查找index.ts文件
- 只有当目录中不存在可解析的模块文件时,才抛出适当的错误
- 保持与Node.js模块解析行为的一致性
对开发者的启示
这个案例给模块开发者带来几点重要启示:
- 复杂的目录结构和子路径导出需要特别注意路径解析的正确性
- 当使用非标准目录结构(如不使用index.ts而直接使用目录名导入)时,需要确保工具链支持这种用法
- 发布前的本地测试应该包含各种导入路径的验证
对于使用JSR或Deno发布工具链的开发者,建议:
- 保持模块结构的清晰和规范
- 对于特殊路径处理,进行充分的测试
- 及时更新工具链以获取最新的错误修复
这个问题的解决不仅修复了一个具体的技术问题,也增强了Deno模块系统对复杂项目结构的支持能力,为大型TypeScript项目的模块化管理提供了更好的基础。
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