解决jest-image-snapshot与Puppeteer截图比较的问题
2025-06-17 01:17:10作者:柯茵沙
在自动化测试中,视觉回归测试是一个重要的环节。jest-image-snapshot作为Jest的一个插件,常被用来进行图像快照对比测试。然而,近期许多开发者在使用jest-image-snapshot与Puppeteer结合时遇到了截图比较失败的问题。
问题现象
当开发者尝试使用Puppeteer截图并与jest-image-snapshot进行对比时,主要遇到以下两种问题:
- 在不设置
runInProcess为true的情况下,生成的截图文件损坏,不是有效的PNG文件 - 即使设置了
runInProcess为true,测试运行时仍会抛出data.readUInt32BE is not a function的错误
问题根源
经过分析,这个问题源于Puppeteer v22版本的一个重大变更。在Puppeteer的PR #12823中,page.screenshot()方法的返回值从Node.js的Buffer类型改为了Uint8Array类型。而jest-image-snapshot内部依赖的PNG解析库需要Buffer类型的数据,因此导致了类型不兼容的错误。
解决方案
方案一:使用Buffer转换
最简单的解决方案是将Puppeteer返回的Uint8Array显式转换为Buffer:
const ss = await page.screenshot();
expect(Buffer.from(ss)).toMatchImageSnapshot();
这种方法直接解决了类型不匹配的问题,代码改动量最小。
方案二:临时文件方案
如果上述方案不奏效,或者需要更可靠的截图处理,可以采用临时文件方案:
// 定义临时文件路径
const TEMP_SCREENSHOT_PATH = './temp-screenshot.png';
// 使用Puppeteer截图并保存到临时文件
await page.screenshot({
type: 'png',
captureBeyondViewport: false,
optimizeForSpeed: true,
path: TEMP_SCREENSHOT_PATH
});
// 读取临时文件为Buffer
const ss = await fs.readFileSync(TEMP_SCREENSHOT_PATH);
// 进行快照对比
expect(ss).toMatchImageSnapshot();
// 清理临时文件
await fs.unlinkSync(TEMP_SCREENSHOT_PATH);
这种方案虽然代码量稍多,但更加可靠,因为:
- Puppeteer写入文件的功能是稳定的
- 通过文件系统读取确保了数据格式正确
- 可以方便地保留失败的截图用于调试
最佳实践建议
- 版本兼容性:确保使用的Puppeteer和jest-image-snapshot版本兼容
- 错误处理:在临时文件方案中添加错误处理,确保测试失败时也能清理临时文件
- 截图优化:根据实际需求调整截图参数,如
optimizeForSpeed和captureBeyondViewport - CI环境适配:在CI环境中可能需要调整文件路径和权限设置
总结
Puppeteer v22+版本的API变更导致了与jest-image-snapshot的兼容性问题。开发者可以通过简单的Buffer转换或更可靠的临时文件方案来解决这个问题。理解底层的数据类型差异有助于开发者更好地处理类似的兼容性问题。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
188
206
暂无简介
Dart
630
143
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
383
3.64 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
210
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
295
105
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
267
仓颉编译器源码及 cjdb 调试工具。
C++
128
858