Selenide v7.9.0 版本发布:增强测试框架的稳定性和功能性
Selenide 是一个基于 Selenium WebDriver 的轻量级测试框架,它通过简洁的 API 和自动化的等待机制,极大地简化了 Web 应用程序的自动化测试工作。Selenide 的设计理念是让测试代码更加简洁、可读性更强,同时提供强大的错误处理能力。
核心功能升级
1. Selenium 和 CDP 版本更新
本次版本将 Selenium 从 4.30.0 升级到了 4.31.0,同时将 Chrome DevTools Protocol (CDP) 从 134 版本更新到了 135 版本。这些底层依赖的更新带来了浏览器自动化能力的增强和潜在的性能优化,确保测试框架能够支持最新的浏览器特性和行为。
2. 文件路径打印格式优化
针对持续集成环境(如 Jenkins 和 GitLab)的特殊需求,v7.9.0 改进了文件路径的打印格式。现在,当测试过程中生成截图或日志文件时,系统会以这些平台能够识别为附件的形式输出路径信息。这一改进使得在 CI/CD 环境中查看测试结果更加方便,可以直接在界面中点击查看相关附件,而不需要手动定位文件位置。
3. 空文本检查增强
框架增强了对空文本的检查逻辑。在之前的版本中,当预期文本为空时,可能会产生一些边界情况问题。新版本通过显式处理空文本场景,提高了测试的健壮性,特别是在验证元素是否为空内容的场景下。
新功能亮点
组合键点击操作
v7.9.0 引入了一个重要的新功能:支持在点击元素时同时按住修饰键(如 ALT、SHIFT、CONTROL 或 META)。这个功能通过新的 API 方法实现,使得测试能够模拟更复杂的用户交互场景,例如:
- 按住 CTRL 键点击实现多选
- 使用 SHIFT 键进行范围选择
- 通过 ALT 键触发特殊功能
这个增强大大扩展了测试覆盖范围,能够验证更多真实的用户操作场景。
性能优化与问题修复
消除无用警告信息
开发团队移除了一个长期存在的烦人警告信息:"No listeners found for thread '1'"。这个警告原本是内部线程管理的调试信息,对普通用户没有实际意义,反而可能干扰测试日志的清晰度。通过消除这种噪音,测试输出变得更加干净,重点信息更加突出。
依赖项更新
为了保持框架的安全性和稳定性,v7.9.0 对多个关键依赖进行了版本升级:
- Netty 从 4.1.119.Final 升级到 4.2.0.Final,带来网络通信层的性能改进
- Commons IO 从 2.18.0 升级到 2.19.0,增强文件操作能力
- Guava 从 33.4.6-jre 升级到 33.4.8-jre,提供更强大的工具类集合
- Commons Text 从 1.13.0 升级到 1.13.1,改进文本处理功能
这些依赖更新不仅修复了已知的问题,还带来了性能提升和新功能支持,使整个测试框架更加健壮可靠。
总结
Selenide v7.9.0 版本通过多项功能增强和问题修复,进一步提升了测试框架的稳定性和实用性。特别是新增的组合键点击功能,为测试复杂用户交互场景提供了新的可能性。同时,对持续集成环境的更好支持和无用警告的消除,使得测试体验更加流畅。依赖项的定期更新也确保了框架的安全性和现代性。对于现有的 Selenide 用户来说,升级到这个版本可以获得更稳定、功能更丰富的测试体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01