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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00