解决 ts-jest 在 React Native 0.73 测试中的预设问题
问题背景
在将 React Native 项目从 0.70 版本升级到 0.73 版本后,开发者可能会遇到一个常见的测试配置问题:validation error: Preset react-native not found.。这个错误通常出现在使用 ts-jest 进行 TypeScript 测试时,表明 Jest 无法找到 React Native 的预设配置。
问题分析
这个错误通常发生在 Jest 配置中尝试使用 react-native 预设时。在 React Native 0.73 版本中,测试配置可能需要进行一些调整才能正常工作。以下是可能导致此问题的几个常见原因:
-
过时的 resolutions 配置:某些项目中可能遗留了 package.json 中的 resolutions 字段,这可能会干扰正常的依赖解析。
-
Jest 配置不兼容:升级 React Native 后,原有的 Jest 配置可能需要更新以匹配新版本的测试需求。
-
依赖版本冲突:不同测试相关包(jest、ts-jest、babel-jest)之间的版本不兼容。
解决方案
1. 检查并移除 resolutions 配置
在 package.json 中查找是否有 resolutions 字段,特别是包含以下内容的:
"resolutions": {
"graceful-fs": "4.2.4",
"@types/react": "^17"
}
这些强制解析的依赖项可能会干扰正常的测试环境配置。建议移除整个 resolutions 字段或至少移除与测试相关的部分。
2. 更新 Jest 配置
确保你的 jest.config.js 或 package.json 中的 Jest 配置部分正确设置了预设。对于 React Native 0.73,推荐使用以下配置:
module.exports = {
preset: 'react-native',
transform: {
'^.+\\.tsx?$': 'ts-jest',
},
moduleFileExtensions: ['ts', 'tsx', 'js', 'jsx', 'json', 'node'],
transformIgnorePatterns: [
'node_modules/(?!(@react-native|react-native|react-native-vector-icons)/)',
],
};
3. 确保依赖版本兼容
检查并确保以下依赖项的版本相互兼容:
- jest
- ts-jest
- babel-jest
- @types/jest
对于 React Native 0.73,推荐使用这些包的最新稳定版本。
预防措施
为了避免未来升级时出现类似问题,建议:
- 定期更新测试相关依赖
- 在升级 React Native 主版本时,查阅官方升级指南中的测试配置变更
- 考虑使用 React Native 测试库提供的预设配置
- 维护一个干净的 package.json,避免不必要的 resolutions 配置
总结
React Native 版本升级时,测试配置往往需要相应调整。Preset react-native not found 错误通常可以通过清理 resolutions 配置、更新 Jest 设置和确保依赖兼容性来解决。保持测试环境的简洁和最新是避免这类问题的关键。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust069- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
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
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
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00