构建时规划,运行时执行:解构 React Router 的 prerender 与 loader

static-data-loading

问题的核心是:为什么要有两个看起来都在读取文件的函数?

答案是:因为它们分别服务于两个完全不同阶段两个完全不同目的。一个是"构建阶段"的"规划者",另一个是"执行者",这个"执行者"不仅在"构建阶段"工作,也可能需要在"运行阶段"独立工作。

我们把这两个阶段拆开看:


阶段一:网站"构建"时 (Build Time)

想象一下你按下了"发布网站"的按钮。这时,你的电脑(服务器)开始执行一系列任务,把你的代码变成一个可以访问的网站。这个过程只发生这一次。

任务 A:规划要做哪些页面的"静态版本"

  • 谁来做? prerender 函数。
  • 它的目标是什么? 快速生成一个**"工作清单"**。清单上列出了所有需要提前生成好 HTML 的页面的 URL 地址。
  • 它怎么做? 它调用 readProductsFromCSVFile(),这个函数一口气读取整个 CSV 文件 ,拿到所有产品的 ID,然后组装成一个 URL 列表,比如 ['/products/1', '/products/2', '/products/3', ...]
  • 结果是什么? 一个简单的字符串数组prerender 的任务到此彻底结束。它不关心每个页面的内容是什么,只关心"有哪些页面要处理"。

任务 B:逐个执行清单,生成每个页面的 HTML

  • 谁来做? 构建工具会遍历"任务 A"生成的清单。对于清单上的每一项(比如 /products/1),它会调用 loader 函数。
  • 它的目标是什么? 获取这一个 特定页面(产品1)所需要的具体数据
  • 它怎么做? 它调用 getProductFromCSVFile('1')。这个函数拿着 ID 1,去 CSV 文件里只查找 ID 为 1 的那一行数据 ,然后返回 { id: '1', name: '键盘', ... }
  • 结果是什么? 一个包含产品1详细信息的对象 。构建工具拿到这个对象后,就能渲染出 product-1.html 文件。

然后构建工具继续处理清单的下一项 /products/2,再次调用 loader...如此循环。

小结:在构建时,prerender 是总指挥,只干一件事:列清单。loader 是具体工人,被总指挥叫一次,就去干一件具体的活:为指定的产品找数据。


阶段二:网站"运行"时 (Run Time)

现在,你的网站已经发布上线了。用户开始访问。

情况一:用户访问 /products/1

  • 服务器发现:"太好了!构建的时候已经生成了 product-1.html 文件。"
  • 服务器直接把这个现成的文件发给用户。速度极快。
  • 在这个过程中,loader 不会被调用。因为活儿已经干完了。

情况二:用户访问一个"意外"的 URL,比如 /products/101

  • 这个产品是网站发布后才添加到 CSV 文件里的,所以构建时并没有为它生成 HTML。
  • 服务器发现:"糟糕,没有 product-101.html 这个现成的文件。"
  • 这时,loader 函数就派上用场了!
  • 服务器会立即实时地 调用 loader 函数,并把 ID 101 传给它。
  • loader 再次执行它的老本行:调用 getProductFromCSVFile('101'),去 CSV 文件里找到产品 101 的数据。
  • 拿到数据后,服务器实时渲染页面,然后发给用户。

最终结论

现在您应该明白了:

  1. prerender 是一个一次性的规划者 :它只在"构建时"工作,目的是为了生成一个批处理清单。它没有能力处理单个、实时的请求。

  2. loader 是一个可复用的执行者 :它被设计成一个独立的、能处理单个请求的专家。

    • 在"构建时",它被 prerender 生成的清单驱动,一遍遍地被调用来完成批处理任务。
    • 在"运行时",它可以被服务器直接调用,来处理那些没有被预先构建的"意外"请求。

所以,它们都需要读取文件,但:

  • readProductsFromCSVFile 是为了 "广度":一次性拿到所有 ID,用于规划。
  • getProductFromCSVFile 是为了 "深度":一次只拿一个 ID 的全部详情,用于执行。

这种 "规划"和"执行"分离 的设计,才使得系统既能拥有静态预渲染的极高速度,又能灵活地处理动态、实时的请求。

相关推荐
怕浪猫1 小时前
FDE 如何正确解决现场项目工程性的问题
前端·后端·ai编程
西瓜太郎12341 小时前
外层模型卡片与分组详情成功率不一致,应该怎么排查?
前端·typescript·go·软件工程·react
GreenTea1 小时前
vLLM 与 SGLang KV Cache 底层实现机制深度调研报告
前端·后端·算法
几何心凉4 小时前
没有万能模型:我用 AiiOnly Token Plan,把多款大模型的长处拼进同一个项目
前端
kyriewen4 小时前
Claude Code 的额度今天缩水了17%——官方公告上写的是"永久提高25%"
前端·ai编程·claude
雪芽蓝域zzs5 小时前
vue解构平铺VS对象包裹
前端·javascript·vue.js
风骏时光牛马6 小时前
从零到实战,完整AI学习路线
前端
三十而立洋6 小时前
深入理解 Monorepo:子包安装依赖
前端·前端工程化
IT_陈寒7 小时前
Java Stream处理大集合,我的内存怎么就炸了
前端·人工智能·后端
Captaincc7 小时前
AI 用量桌面端-桌面宠物自定义指南
前端·人工智能