首页
/ AnalogJS项目中SSR模式下Vite开发服务器端口自动推断方案

AnalogJS项目中SSR模式下Vite开发服务器端口自动推断方案

2025-06-28 15:03:44作者:庞队千Virginia

背景介绍

在Angular应用开发中,使用AnalogJS框架结合Vite构建工具时,开发者在服务器端渲染(SSR)模式下会遇到一个常见问题:当使用ngSrc指令加载图片资源时,由于Domino无法正确解析相对路径,导致图片资源加载失败。这个问题在开发环境下尤为明显,因为Vite开发服务器的端口通常是动态分配的。

问题分析

在SSR模式下,当Angular尝试通过window.location.href解析资源路径时,Domino会将其解析为根路径/。这意味着任何相对路径的资源请求(如/assets/image.png)都会失败,因为服务器无法正确构建完整的URL。在生产环境中,这个问题可以通过配置imageLoader来解决,但在开发环境下则需要更灵活的解决方案。

现有解决方案的局限性

目前开发者常用的临时解决方案包括:

  1. 在Vite配置中固定开发服务器端口
  2. 通过环境变量手动指定开发端口
  3. 在资源路径处理函数中硬编码完整的开发服务器URL

这些方法虽然可行,但存在以下缺点:

  • 需要手动配置,不够自动化
  • 硬编码的端口号降低了配置的灵活性
  • 代码可维护性较差

技术实现方案

方案一:自动推断开发服务器端口

通过分析Vite开发服务器的请求对象,我们可以自动获取当前运行的服务器端口和协议信息。具体实现如下:

export default async function render(
  _path: string,
  document: string,
  { req }: { req: IncomingMessage & { originalUrl: string } },
) {
  const protocol = getRequestProtocol(req);
  const { originalUrl, headers } = req;

  return await renderApplication(bootstrap, {
    document,
    url: `${protocol}://${headers.host}${originalUrl}`,
  });
}

function getRequestProtocol(
  req: IncomingMessage,
  opts: { xForwardedProto?: boolean } = {},
) {
  if (
    opts.xForwardedProto !== false &&
    req.headers['x-forwarded-proto'] === 'https'
  ) {
    return 'https';
  }
  return (req.connection as any)?.encrypted ? 'https' : 'http';
}

方案二:框架层面的集成解决方案

AnalogJS框架可以在底层自动处理这个问题,提供两种配置方式:

  1. 自动推断模式('INFER'):框架自动检测开发服务器配置
  2. 手动指定模式:开发者可以显式配置基础URL

这种方案的优势在于:

  • 对开发者透明,无需额外配置
  • 保持开发和生产环境行为一致
  • 支持动态端口分配

最佳实践建议

  1. 开发环境配置:建议使用自动推断模式,充分利用Vite的动态端口特性
  2. 生产环境配置:仍然推荐使用明确的imageLoader配置
  3. 资源路径处理:统一使用框架提供的工具函数处理资源路径

未来优化方向

  1. 在框架层面提供统一的HTTP客户端拦截器,自动处理基础URL
  2. 增强开发服务器集成,支持更复杂的部署场景(如反向代理)
  3. 提供更灵活的资源路径解析策略

总结

通过自动推断Vite开发服务器端口,可以显著改善AnalogJS项目在SSR模式下的开发体验。这种方案不仅解决了ngSrc指令的资源加载问题,还为更复杂的部署场景提供了基础支持。开发者可以根据项目需求选择自动推断或手动配置的方式,实现更灵活的资源管理。

登录后查看全文

项目优选

收起
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
511
551
docsdocs
暂无描述
Markdown
852
5.69 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.05 K
2.49 K
kernelkernel
deepin linux kernel
C
33
16
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
839
1.28 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
847
1.7 K
ops-mathops-math
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++
1.25 K
1.38 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.17 K
857
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
503
346
cann-learning-hubcann-learning-hub
CANN 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 Notebook
787
415