ts-jest 项目中的 TypeScript 5.6+ 模块解析问题解析
问题背景
在 TypeScript 5.6 版本发布后,使用 ts-jest 进行测试的开发者遇到了一个关于 ES6 模块解析的兼容性问题。当项目中引用了以 ES6 模块形式发布的第三方库(如 OpenLayers)时,TypeScript 5.6+ 会识别这些库的 type: module 声明,导致生成的代码保持 ES6 模块语法,而 Jest 默认无法直接解析这种语法。
问题表现
开发者通常会配置 ts-jest 来转换 TypeScript 和 ES6 模块:
transform: {
'\\.[tj]sx?$': [
'ts-jest',
{
tsconfig: {
outDir: './.ts-jest'
}
}
],
},
transformIgnorePatterns: [
'/node_modules/(?!(ol|txml|geotiff|quick-lru|color-|rbush|earcut|pbf|quickselect))'
],
在 TypeScript 5.6 之前,这种配置可以正常工作。但从 5.6 版本开始,TypeScript 会识别第三方库的模块类型声明,导致生成的代码保留 ES6 模块语法(如 import/export),而 Jest 默认期望的是 CommonJS 格式的代码。
技术原因
TypeScript 5.6 引入了一个重要变化:它会根据 package.json 中的 type 字段和文件扩展名(如 .mjs)更准确地判断模块系统类型。这一改进虽然提高了准确性,但也带来了与 Jest 默认配置的兼容性问题,因为:
- Jest 默认使用 Node.js 的 CommonJS 模块系统
- TypeScript 5.6+ 会保留第三方库的 ES 模块语法
- 即使配置了
transformIgnorePatterns来转换特定 node_modules,生成的代码仍可能是 ES 模块格式
解决方案
方案一:启用 isolatedModules
最简单的解决方案是在 ts-jest 配置中启用 isolatedModules:
transform: {
'\\.[tj]sx?$': [
'ts-jest',
{
isolatedModules: true
}
],
}
这个选项会告诉 TypeScript 以隔离模式编译每个文件,不进行完整的类型检查,但会确保输出为 Jest 可识别的格式。
方案二:通过 Babel 转换模块
对于更复杂的情况(特别是涉及 .mjs 文件时),可以配置 Babel 来将 ES 模块转换为 CommonJS:
const presetConfig = createJsWithTsPreset({
babelConfig: {
plugins: [['@babel/plugin-transform-modules-commonjs']],
},
});
这种方法提供了更大的灵活性,可以处理各种模块格式的转换。
方案三:调整模块解析策略
对于 Angular 项目或使用类似工具链的项目,可以参考 jest-preset-angular 中的配置示例,专门处理 .mjs 文件的转换。
最佳实践建议
- 优先尝试
isolatedModules:这是最简单的解决方案,适用于大多数场景 - 复杂场景考虑 Babel:当遇到特殊文件扩展名或复杂模块结构时,Babel 转换更可靠
- 保持工具链更新:定期检查 ts-jest 和 TypeScript 的更新,了解新的配置选项
- 测试环境隔离:考虑为测试环境使用单独的 tsconfig,避免影响生产构建
总结
TypeScript 5.6+ 对模块系统的更严格处理虽然提高了准确性,但也带来了与测试工具链的兼容性挑战。通过理解这些变化背后的原理,开发者可以灵活选择最适合自己项目的解决方案,确保测试流程的顺畅运行。
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