Sandboxed Module 技术文档
1. 安装指南
要安装 sandboxed-module
,请在终端中运行以下命令:
npm install sandboxed-module
2. 项目的使用说明
sandboxed-module
是一个用于依赖注入的 Node.js 模块加载器。它允许你在模块中注入依赖项,主要用于单元测试。以下是一个简单的使用示例:
var SandboxedModule = require('sandboxed-module');
var user = SandboxedModule.require('./user', {
requires: {'mysql': {fake: 'mysql module'}},
globals: {myGlobal: 'variable'},
locals: {myLocal: 'other variable'},
});
在这个示例中,sandboxed-module
加载了 ./user
模块,并注入了 mysql
模块的假实现,以及一些全局和局部变量。
3. 项目API使用文档
SandboxedModule.load(moduleId, [options])
返回一个新的 SandboxedModule
,其中 moduleId
是通常传递给 require()
的模块路径或 ID。该模块将在其自己的 v8 上下文中加载,但可以访问正常的 Node.js 环境。
options
是一个可选对象,用于注入以下内容:
requires:
一个对象,包含moduleId
和要注入的值,当沙盒模块需要它们时。globals:
一个对象,包含要注入到沙盒模块中的全局变量。locals:
一个对象,包含要注入到沙盒模块中的局部变量。sourceTransformers:
一个对象,包含命名的函数,用于转换沙盒模块的源代码。singleOnly:
如果为 false,沙盒模块所需的模块将不会被沙盒化。默认情况下,所有沙盒模块所需的模块都将使用相同的选项进行沙盒化。sourceTransformersSingleOnly:
如果为 false,源转换器将不会对沙盒模块所需的模块运行。默认情况下,它将采用与singleOnly
相同的值。
SandboxedModule.require(moduleId, [options])
与 SandboxedModule.load()
相同,但直接返回 sandboxedModule.exports
。
SandboxedModule.configure(options)
在所有 SandboxedModule.load()
和 SandboxedModule.require()
使用中全局设置选项。
SandboxedModule.registerBuiltInSourceTransformer(name)
启用内置的源转换器。目前,SandboxedModule
有两个内置源转换器:
"coffee"
- 使用 CoffeeScript 编译源代码。"istanbul"
- 当 istanbul 代码覆盖运行时,通过 istanbul 进行源代码插桩。
sandboxedModule.filename
模块的完整路径。
sandboxedModule.module
底层的 Node.js Module
实例。
sandboxedModule.exports
返回 sandboxedModule.module.exports
对象的 getter。
sandboxedModule.globals
该模块加载的 v8 上下文的全局对象。对该对象的修改将反映在沙盒模块中。
sandboxedModule.locals
使用闭包注入到沙盒模块中的局部变量。修改此对象不会影响沙盒的状态。
sandboxedModule.required
一个对象,包含沙盒模块本身所需的所有模块的列表。键是用于 require 调用的 moduleId
。
sandboxedModule.sourceTransformers
一个命名的函数对象,用于转换通过 SandboxedModule.require
所需的源代码。
4. 项目安装方式
sandboxed-module
可以通过 npm 安装,安装命令如下:
npm install sandboxed-module
安装完成后,你可以在项目中通过 require('sandboxed-module')
来使用它。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava02GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0287- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









