• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Cómo empaquetar una librería TypeScript para npm y reutilizarla en otros proyectos

TypeScript

marzo 5, 2025 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Reutilizar código es esencial para desarrollar aplicaciones mantenibles y escalables. Una de las formas más eficientes de lograrlo en TypeScript es mediante la creación de un paquete para npm, lo que permite importar tu librería en distintos proyectos sin la necesidad de copiar archivos manualmente. En esta entrada veremos cómo empaquetar tu librería TypeScript para distribuirla como un paquete npm, facilitando así su instalación e integración en otros proyectos.

En una serie anterior explicamos cómo crear una librería TypeScript con Webpack, lo que nos permitió generar código optimizado para su uso en navegadores. Basándonos en este proyecto, ahora vamos a dar un paso más y empaquetar esta misma librería para distribuirla como un paquete de npm, de modo que pueda ser instalada e importada fácilmente en otros proyectos.

Tabla de contenidos

  • 1. Descarga de la librería tstlane como base
    • 1.1. Actualización de dependencias
  • 2. Creación de archivos de índices diferenciados
    • 2.1. Archivo index-bundle.ts
    • 2.2. Archivo index.ts
  • 3. Empaquetado de la librería
    • 3.1. Pasos para empaquetar la librería
  • 4. Automatización del proceso
    • 4.1. Script para generar package.json en dist
    • 4.2. Automatización con npm scripts
  • 5. Publicación y uso del paquete
  • 6. Conclusiones

Descarga de la librería tstlane como base

En este proyecto, utilizaremos como punto de partida la versión 1.3 de tstlane, la plantilla actualizada resultante de nuestra serie sobre creación de librerías TypeScript.

Actualización de dependencias

Antes de empaquetar la librería, es recomendable actualizar todas las dependencias para contar con las versiones más recientes y seguras. Para ello, podemos utilizar la herramienta npm-check-updates. Solo es necesario instalarla de manera global y ejecutar los siguientes comandos en el proyecto:

ncu -u
npm install

El comando ncu -u actualizará todas las dependencias en el archivo package.json. A continuación. npm install instalará las nuevas dependencias el proyecto.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

Publicidad


Creación de archivos de índices diferenciados

Cuando una librería se utiliza tanto en navegadores como en entornos Node.js, es importante definir puntos de entrada diferenciados para cada contexto. Pudiendo usar configuraciones diferrentes en cada caso. Para ello, crearemos dos archivos:

  • index-bundle.ts: Punto de entrada para Webpack.
  • index.ts: Punto de entrada para npm.

Archivo index-bundle.ts

Este archivo incluirá información adicional (por ejemplo, la versión y el hash de compilación) para facilitar la depuración y el control de versiones:

declare const VERSION: string;
declare const HASH: string;

export const version = {
  version: VERSION,
  build: HASH,
};

export * from './index';

En este archivo se declaran y exportan las constantes VERSION y HASH, lo que nos permite identificar respectivamente la versión y el hash de compilación a la hora de usar la libreria. A continuación, se importa y reexporta todo lo definido en index.ts.

Archivo index.ts

Este será el punto de entrada principal que reexporta los módulos de la librería:

export * as array from './array';

De esta forma, al desarrollar nuevos submódulos, solo será necesario modificar el index.ts, manteniendo separados los detalles específicos para cada entorno.

Publicidad


Empaquetado de la librería

Una vez reestructurado el código, podemos empaquetar en un archivo .tgz que podremos instalar en otros proyectos mediante npm.

Pasos para empaquetar la librería

En primer lugar, vamos a ver cómo se puede realizar el proceso de forma manual, para más tarde crear un script que pueda automatizara completamente el proceso. Los pasos para crear el paquete son:

  1. Limpiar el directorio de compilación: Antes de volver a compilar, es aconsejable eliminar la carpeta dist para evitar incluir archivos innecesarios. En Linux o Mac esto se puede hacer con:
rm -rf dist
  1. Compilar el código TypeScript: Usamos el compilador de TypeScript para generar la versión final del código:
npx tsc

O mejor, se puede recurrir al script creado en package.json de proyecto tslane:

npm run build
  1. Crear un archivo package.json específico para el paquete: Dentro de la carpeta dist, debemos incluir un package.json con las configuraciones adecuadas.
  2. Empaquetar el código en un archivo .tgz: Esto se consigue con el comando pack de npm.
npm pack

Esto generará un archivo .tgz listo para ser publicado o instalado en otros proyectos.

Automatización del proceso

Para evitar repetir manualmente todos estos pasos cada vez que se necesita empaquetar la librería, podemos crear un proceso para que lo haga todo automáticamente. En primer lugar se puede crear un script para que cree el archivo package.json, a continuación se puede crear el script npm.

Publicidad


Script para generar package.json en dist

Este script actualiza el package.json, eliminando las configuraciones innecesarias y ajustando las rutas para el paquete:

const fs = require('fs');

// Leer el package.json del proyecto
const packageData = require('./package.json');

// Actualizar valores
packageData.main = './index.js';
packageData.types = './index.d.ts';
packageData.module = './index.js';

delete packageData.files;
delete packageData.devDependencies;
delete packageData.scripts.pack;

// Guardar el nuevo package.json en la carpeta dist
const data = JSON.stringify(packageData, null, 2);
fs.writeFileSync('./dist/package.json', data);

// Copiar el README.md a la carpeta dist
fs.copyFileSync('./README.md', 'dist/README.md');

Este script:

  • Crea un package.json limpio en dist
  • Elimina dependencias innecesarias
  • Copia el README.md

Automatización con npm scripts

Podemos instalar del-cli para facilitar la limpieza del directorio dist:

npm install --save-dev del-cli

Luego, en package.json, añadimos un nuevo script que implementa todos los pasos descritos anteriormente:

"scripts": {
  "pack": "npx del-cli ./dist && npm run build && node prepack && cd dist && npm pack && cd .."
}

Ahora, empaquetar la librería es tan sencillo como ejecutar:

npm run pack

Esto eliminará dist, compilará la librería, generará el package.json, copiará los archivos necesarios y ejecutará npm pack.

Publicación y uso del paquete

Una vez generado el archivo .tgz, podemos instalarlo en otros proyectos sin necesidad de publicarlo en npm:

npm install ./tstlane-1.4.0.tgz

Si queremos publicarlo en npm, simplemente ejecutamos:

npm publish --access public

Esto hará que el paquete esté disponible para su instalación con:

npm install tstlane

Publicidad


Conclusiones

Empaquetar una librería TypeScript para npm es un proceso sencillo que, si se estructura correctamente, permite:

  • Modularidad: Separar los puntos de entrada para Webpack y npm mejora la compatibilidad.
  • Automatización: La creación de scripts reduce errores y ahorra tiempo.
  • Reutilización: Un paquete bien configurado se integra fácilmente en otros proyectos, facilitando el mantenimiento y la escalabilidad.

Con estos pasos, podrás empaquetar y distribuir tu librería de forma eficiente, asegurando que siempre estés trabajando con la versión más optimizada y fácil de mantener.

Como es habitual, los cambios al proyecto se publicarán en el repositorio tslane de nuestra cuenta de GitHub.

Nota: La imagen de este artículo fue generada utilizando un modelo de inteligencia artificial.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Por Qué las Contraseñas Largas son más Seguras que las Complejas
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar

Publicado en: JavaScript Etiquetado como: TypeScript

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Por Qué las Contraseñas Largas son más Seguras que las Complejas

agosto 20, 2026 Por Daniel Rodríguez

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Cómo eliminar un entorno en Conda publicado el enero 15, 2024 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • ¿Qué es el margen de error en una encuesta y por qué es importante? publicado el mayo 30, 2025 | en Ciencia de datos, Opinión
  • Cómo convertir texto a fecha en Excel publicado el enero 31, 2024 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto