ngneat/spectator 对 Angular 17.1 输入信号的支持解析
背景介绍
随着 Angular 17.1 的发布,引入了输入信号(input signals)这一新特性。输入信号是 Angular 信号(signals)系统的一部分,为组件输入提供了更强大的类型安全和响应式能力。然而,这一新特性最初并未得到测试工具 ngneat/spectator 的完全支持,这促使社区贡献者开始研究如何实现这一功能。
输入信号的基本概念
在 Angular 17.1 中,输入信号允许开发者以声明式的方式定义组件输入:
@Component({
selector: 'app-signal-input',
template: `
@if(show()) {
<div id="text">Hello</div>
}
`,
standalone: true,
})
export class SignalInputComponent {
public show = input(false);
}
这种新语法相比传统的 @Input() 装饰器,提供了更好的类型推断和响应式能力。
测试挑战
在测试环境中,使用 ngneat/spectator 测试这样的组件时遇到了两个主要问题:
-
类型推断问题:当尝试通过 props 设置输入值时,TypeScript 会报类型不匹配的错误,因为测试工具无法正确识别输入信号的类型。
-
值设置机制:传统的通过直接赋值设置输入值的方式不适用于输入信号,需要采用 Angular 提供的专用 API。
解决方案实现
类型推断改进
通过创建专门的类型工具,可以正确推断输入信号的类型:
export type InferSignalInputs<C> = {
[P in keyof C]+?: C[P] extends InputSignal<infer T> ? T : C[P];
};
这个类型工具能够识别输入信号并提取其内部类型,使测试代码能够像处理普通输入一样处理信号输入。
值设置机制改进
对于值设置,解决方案是使用 Angular 提供的 ComponentRef.setInput() 方法,这是 Angular 为输入信号设计的专用 API。这种方法比直接赋值更符合 Angular 的运行机制,也更能保证测试的准确性。
测试工厂的调整
对于 createHost 和 createDirective 工厂函数,由于它们测试的是子组件/指令,无法直接获取到被测试组件的 ComponentRef,这带来了额外的挑战。经过讨论,决定:
- 移除
setProps方法在这些工厂中的使用 - 强制开发者通过模板设置输入值
- 保持 API 的一致性和简洁性
实际应用示例
现在,测试输入信号组件变得非常简单:
const spectator = createComponent({ props: { show: true } });
对于更复杂的情况,如带有转换器的输入信号:
public dashboardId = input.required<number, string>({ transform: numberAttribute });
测试工具也能够正确处理,确保转换逻辑在测试中得到验证。
总结
ngneat/spectator 对 Angular 输入信号的支持不仅解决了基本的测试需求,还通过以下方式提升了测试体验:
- 保持了与 Angular 运行时行为的一致性
- 提供了完善的类型支持
- 简化了测试 API,使其更加直观
- 支持各种输入信号的高级用法
这一改进使得开发者能够无缝地在项目中使用 Angular 最新的信号特性,同时保持高质量的测试覆盖率。随着 Angular 信号系统的不断完善,ngneat/spectator 也将持续跟进,为开发者提供最佳的测试体验。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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!Kotlin08
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