Jest项目中EMFILE文件打开过多问题的分析与解决
问题背景
在基于Jest的Node.js项目中,当测试文件数量较多时(超过100个),在GitHub Actions的Linux环境下运行测试时会出现"EMFILE: too many open files"错误。这个问题主要发生在使用Jest 29.7.0版本、Node.js 18.14.0环境下,特别是在执行带有覆盖率检查的测试时。
错误表现
系统会抛出两类错误信息:
- 文件打开失败:
EMFILE: too many open files, open '/path/to/test/file.spec.ts' - 内存操作失败:
EMFILE: too many open files, uv_resident_set_memory
这些错误表明系统达到了文件描述符的限制,无法打开更多文件。
环境特征
- 操作系统:Ubuntu 22.04 LTS
- Node.js版本:18.14.0
- Jest版本:29.7.0
- 测试命令使用了
--maxWorkers=2参数限制工作线程数 - 启用了V8覆盖率收集功能(
--coverage-provider=v8)
初步排查
开发团队尝试了以下解决方案但未奏效:
- 安装并配置watchman文件监视工具
- 提高系统文件描述符限制:
- 设置
fs.inotify.max_user_watches=524288 - 设置
fs.file-max=524288
- 设置
问题根源分析
经过深入分析,这个问题可能由以下几个因素共同导致:
-
V8覆盖率收集机制:使用
--coverage-provider=v8时,Jest会为每个测试文件创建额外的文件句柄来收集覆盖率数据,这会显著增加文件描述符的使用量。 -
并发测试执行:虽然设置了
--maxWorkers=2,但每个工作线程仍可能同时处理多个测试文件,导致文件描述符累积。 -
系统默认限制:Linux系统默认的文件描述符限制通常较低(通常为1024),在测试大量文件时容易达到上限。
-
内存监控:启用的
--logHeapUsage参数增加了额外的系统调用,进一步消耗文件描述符资源。
最终解决方案
根据后续反馈,该问题最终通过以下方式解决:
-
全面升级依赖库:将所有相关库更新到最新版本,包括Jest及其相关依赖。新版本可能优化了文件描述符的使用方式或提高了资源管理效率。
-
环境配置调整:
- 在CI环境中显式设置更高的文件描述符限制
- 考虑减少并发工作线程数
- 评估是否必须使用V8覆盖率收集器,或可改用其他覆盖率提供者
-
资源管理优化:
- 分批执行测试,减少同时打开的文件数量
- 确保测试完成后正确关闭所有文件句柄
最佳实践建议
对于类似场景,建议采取以下预防措施:
-
在CI配置中显式设置文件描述符限制:
ulimit -n 4096 -
对于大型测试套件,考虑使用Jest的
--runInBand参数顺序执行测试,减少并发文件操作。 -
定期更新Jest及相关依赖,以获取性能改进和bug修复。
-
监控测试过程中的资源使用情况,特别是文件描述符和内存使用量。
-
对于特别大的项目,考虑将测试套件分割成多个阶段执行。
通过理解Jest在收集覆盖率数据时的资源使用模式,并合理配置测试环境,可以有效避免这类文件描述符耗尽的问题,确保测试流程的稳定性。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00