47ng/next-usequerystate 在 Next.js 15 中的使用注意事项
在 Next.js 15 中,服务器组件的 searchParams 属性变成了一个 Promise 对象,这一变化影响了 47ng/next-usequerystate 库的使用方式。本文将详细介绍这一变化及其解决方案。
问题背景
在 Next.js 14 及更早版本中,页面组件的 searchParams 属性可以直接访问,开发者可以像使用普通对象一样使用它。然而,在 Next.js 15 中,为了优化性能,searchParams 属性变成了一个异步的 Promise 对象。
具体表现
当开发者尝试使用 next-usequerystate 库的 createSearchParamsCache 方法解析 searchParams 时,如果 searchParams 是 Promise 对象而未正确处理,会导致 withDefault 方法失效,返回 undefined 而不是预期的默认值。
解决方案
要解决这个问题,开发者需要在解析 searchParams 时使用 await 关键字。这可以确保在解析之前等待 Promise 解析完成。以下是两种等效的解决方案:
方案一:在 parse 方法前 await
const { q: query, sport: sports } = await createSearchParamsCache({
q: parseAsString,
sport: parseAsArrayOf<keyof typeof SPORTS>(
parseAsStringEnum(Object.keys(SPORTS) as (keyof typeof SPORTS)[]),
).withDefault([]),
}).parse(searchParams);
方案二:在 searchParams 前 await
const resolvedSearchParams = await searchParams;
const { q: query, sport: sports } = createSearchParamsCache({
q: parseAsString,
sport: parseAsArrayOf<keyof typeof SPORTS>(
parseAsStringEnum(Object.keys(SPORTS) as (keyof typeof SPORTS)[]),
).withDefault([]),
}).parse(resolvedSearchParams);
技术原理
Next.js 15 将 searchParams 改为 Promise 主要是为了支持更高效的服务器端渲染。通过异步获取查询参数,可以在数据准备好之前就开始渲染页面,提高首屏渲染速度。
next-usequerystate 库的 createSearchParamsCache 方法期望接收一个普通的对象,而不是 Promise 对象。因此,在使用前必须确保 Promise 已经解析完成。
最佳实践
- 始终在异步组件中使用 await 处理 searchParams
- 考虑在组件顶部统一解析所有查询参数
- 对于复杂的参数处理逻辑,可以封装成单独的函数
- 在类型定义中明确标记异步属性
兼容性考虑
如果项目需要同时支持 Next.js 14 和 15,可以使用条件判断:
const resolvedSearchParams = searchParams instanceof Promise
? await searchParams
: searchParams;
这种写法可以确保代码在不同版本的 Next.js 中都能正常工作。
总结
Next.js 15 的这一变化虽然带来了小小的适配成本,但为性能优化提供了更多可能性。开发者在使用 next-usequerystate 库时,只需记住在解析前正确处理 Promise 即可保持原有功能。这一调整也符合现代前端开发中异步处理数据的最佳实践。
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 StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07