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。
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-5.1GLM-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
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