Sinon.js 中 Node.js 21.7.0 版本 fetch 方法模拟失效问题解析
问题背景
在 Node.js 21.7.0 版本中,开发者发现无法再使用 Sinon.js 对全局的 fetch 方法进行存根(stub)操作。这个问题在测试场景中尤为关键,因为模拟网络请求是单元测试中的常见需求。
现象描述
当开发者尝试使用 Sinon.js 的 stub 方法来模拟全局 fetch 方法时,代码会抛出异常。具体表现为:
- 尝试对 globalThis.fetch 进行存根操作
- 执行 fetch 调用时,不是调用模拟方法,而是尝试发起真实网络请求
- 由于请求地址不存在,最终抛出 ENOTFOUND 错误
技术分析
这个问题源于 Node.js 21.7.0 版本中对 fetch 实现方式的内部变更。在底层,Node.js 的 fetch 实现变得更加严格,导致传统的存根方法失效。
在 Node.js 21.6.2 及以下版本中,开发者可以正常使用 Sinon.js 对 fetch 进行存根操作。但在 21.7.0 版本中,这种操作会直接失败。
解决方案
目前有以下几种解决方案:
-
升级 Node.js 版本:Node.js 22.1.0 及以上版本已经修复了这个问题。对于使用 Node.js 20.x 的用户,可以升级到 20.13.1 及以上版本。
-
临时解决方案:在尝试存根之前,先引用一次 global.fetch,这可以确保 fetch 方法被正确识别。
-
使用替代测试工具:考虑使用 Node.js 内置的测试模块中的 mock 功能,或者使用其他专门的 HTTP 请求模拟库。
最佳实践建议
-
在测试环境中,建议使用专门的 HTTP 请求模拟库而非直接存根 fetch 方法。
-
对于需要模拟 fetch 的场景,可以考虑创建一个包装函数,然后对这个包装函数进行测试,而不是直接模拟全局 fetch。
-
保持测试框架和 Node.js 版本的同步更新,避免使用已知有问题的版本组合。
总结
这个问题展示了 JavaScript 生态系统中底层 API 变更可能对测试工具链产生的影响。作为开发者,我们需要:
- 关注核心运行时环境的变更日志
- 在升级版本前进行充分的测试验证
- 采用更加健壮的测试策略,减少对全局对象直接操作的依赖
通过理解这些底层机制,我们可以编写出更加可靠和可维护的测试代码。
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