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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust014
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00