Sentry JavaScript SDK 9.23.0版本发布:浏览器追踪优化与资源监控增强
Sentry JavaScript SDK是一个功能强大的前端错误监控和性能追踪工具,它帮助开发者实时捕获应用程序中的异常、错误和性能问题。最新发布的9.23.0版本带来了一系列重要改进,特别是在浏览器资源监控和错误处理方面。
核心功能增强
浏览器资源追踪精细化控制
新版本引入了一个重要特性——ignoreResourceSpans选项,允许开发者选择性忽略特定类型的资源追踪。在Web性能监控中,浏览器会自动生成各种资源加载的span(如脚本、样式表、图片等),但有时我们可能不需要监控所有资源类型。
例如,如果你只想忽略脚本资源的追踪,可以这样配置:
Sentry.browserTracingIntegration({
ignoreResourceSpans: ['resource.script'],
})
这个功能特别适合那些希望减少监控数据量或只关注特定资源类型的应用场景,能够有效降低Sentry的数据采集负担,同时保持对关键性能指标的监控。
浏览器扩展检测与自动禁用
9.23.0版本增强了安全性,现在SDK能够在初始化时自动检测浏览器扩展的存在。如果检测到浏览器扩展,SDK会自动禁用客户端功能。这个改进解决了浏览器扩展可能干扰错误监控的问题,确保收集到的数据更加准确可靠。
性能优化与错误处理改进
Node.js性能优化
对于Node.js环境,新版本做了两处重要优化:
- 当tracing功能被禁用时,SDK不再添加HTTP和fetch的span监控,减少了不必要的性能开销
- 改进了Spotlight(Sentry的本地调试工具)的相关警告信息,避免在NODE_ENV为空时产生不必要的警告
日志处理增强
核心模块增加了对日志处理的改进:
- 新增了
_INTERNAL_captureSerializedLog导出,为高级用户提供了更灵活的日志处理能力 - 允许重用
captureLog功能,提高了日志处理的灵活性 - 修复了当
sendClientReports=false时日志可能未被正确刷新的问题
框架支持改进
Nuxt.js增强支持
新版本特别加强了对Nuxt.js框架的支持:
- 新增了对Nuxt layers的支持,使得在更复杂的Nuxt项目结构中也能良好工作
- 修复了Rollup构建时
@sentry/nuxt作为外部依赖的问题
Next.js优化
针对Next.js应用的客户端文件上传做了优化,现在会包含static/chunks/main-*文件,提高了source map上传的完整性。
其他改进
- 所有SDK现在都统一导出了
isEnabled方法,方便检查SDK是否已启用 - 更新了多个依赖项,包括OpenTelemetry语义约定、Prisma instrumentation等
- 修复了OpenTelemetry集成中
withScope保持span活跃状态的问题 - 改进了特定网络环境下对Hono框架异常捕获的支持
总结
Sentry JavaScript SDK 9.23.0版本在资源监控精细化控制、性能优化和框架支持方面都有显著提升。特别是新增的资源类型过滤功能,为开发者提供了更灵活的监控配置选项。这些改进使得Sentry在保持强大监控能力的同时,能够更好地适应不同规模和复杂度的项目需求。
对于正在使用或考虑采用Sentry进行前端监控的团队,这个版本值得关注和升级。它不仅提升了监控的精确度,还通过多项优化降低了性能开销,是开发现代Web应用的得力助手。
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