Fluent UI React Components 在 Remix 框架下的服务端渲染实践
2025-05-11 01:21:24作者:曹令琨Iris
本文将详细介绍如何在 Remix 框架中实现 Fluent UI React Components(v9)的服务端渲染(SSR)方案。作为微软开源的现代化 UI 组件库,Fluent UI 在服务端渲染场景下需要特殊配置才能完美运行。
核心原理
Fluent UI v9 版本采用了 CSS-in-JS 的样式方案,这在服务端渲染时需要考虑两个关键点:
- 样式提取:需要在服务端收集所有组件的样式并注入到 HTML 中
- 水合过程:确保客户端能够正确接管服务端渲染的 DOM 结构
环境准备
首先需要安装必要的依赖包:
# 使用 yarn
yarn add @fluentui/react-components isbot
yarn add -D vite vite-plugin-cjs-interop
# 使用 npm
npm install @fluentui/react-components isbot
npm install -D vite vite-plugin-cjs-interop
Vite 配置调整
由于 Fluent UI 使用 CommonJS 模块格式,需要通过插件进行转换:
import { defineConfig } from 'vite'
import { cjsInterop } from 'vite-plugin-cjs-interop'
export default defineConfig({
ssr: {
noExternal: ['@fluentui/react-icons']
},
plugins: [
cjsInterop({
dependencies: [
'@fluentui/react-components',
'@fluentui/react-nav-preview',
'@fluentui/react-list-preview',
'@fluentui/react-virtualizer',
'@fluentui/react-motion-components-preview'
]
})
]
})
服务端入口改造
关键的服务端渲染逻辑集中在 entry.server.tsx 文件中:
import {
createDOMRenderer,
RendererProvider,
renderToStyleElements,
SSRProvider
} from '@fluentui/react-components'
export default function handleRequest(
request: Request,
responseStatusCode: number,
responseHeaders: Headers,
remixContext: EntryContext
) {
const renderer = createDOMRenderer()
return new Promise((resolve, reject) => {
const { pipe, abort } = renderToPipeableStream(
<RendererProvider renderer={renderer}>
<SSRProvider>
<RemixServer context={remixContext} url={request.url} />
</SSRProvider>
</RendererProvider>,
{
onShellReady: () => {
const body = new PassThrough({
transform(chunk, _, callback) {
// 处理样式注入逻辑
const style = renderToStaticMarkup(
<>{renderToStyleElements(renderer)}</>
)
chunk = chunk.toString().replace('__STYLES__', style)
callback(null, chunk)
}
})
responseHeaders.set('Content-Type', 'text/html')
resolve(new Response(stream, { headers: responseHeaders }))
pipe(body)
}
}
)
})
}
客户端入口优化
客户端入口文件 entry.client.tsx 需要进行渐进式水合:
import { RemixBrowser } from '@remix-run/react'
import { startTransition, StrictMode } from 'react'
import { hydrateRoot } from 'react-dom/client'
const hydrate = async () => {
startTransition(() => {
hydrateRoot(
document,
<StrictMode>
<RemixBrowser />
</StrictMode>
)
})
}
// 使用空闲回调优化性能
if (window.requestIdleCallback) {
window.requestIdleCallback(hydrate)
} else {
window.setTimeout(hydrate, 1)
}
根组件配置
在根组件中需要处理样式占位符和主题提供:
import { FluentProvider, webLightTheme } from '@fluentui/react-components'
export function Layout({ children }: { children: React.ReactNode }) {
return (
<html lang="en">
<head>
{/* 服务端渲染时插入样式 */}
{!isBrowser() && '__STYLES__'}
</head>
<body>
<FluentProvider theme={webLightTheme}>
{children}
</FluentProvider>
</body>
</html>
)
}
常见问题解决
- 样式闪烁问题:确保样式提取和注入的时机正确,避免客户端重新计算样式
- 水合不匹配:检查服务端和客户端渲染结果的一致性
- 性能优化:使用
requestIdleCallback可以改善大型应用的加载体验
开发注意事项
在开发过程中,某些浏览器扩展(如 Microsoft Editor)可能会干扰 Fluent UI 的样式注入机制,导致开发服务器不断重启。建议在开发时禁用这类扩展,或使用无痕模式进行开发。
通过以上配置,开发者可以在 Remix 框架中充分利用 Fluent UI React Components 的强大功能,同时享受服务端渲染带来的 SEO 优势和首屏性能提升。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218