Jest-Extended 5.0.0 发布:全面升级的JavaScript测试增强库
Jest-Extended 是一个广受欢迎的 Jest 测试框架扩展库,它为开发者提供了更多强大且富有表现力的匹配器(matcher),让测试代码更加简洁和可读。本次发布的 5.0.0 版本带来了多项重要更新,包括对 Node.js 版本支持的调整、新匹配器的加入以及底层架构的重大改进。
核心变更解析
运行环境支持调整
在 5.0.0 版本中,项目决定放弃对 Node.js 16 和 18 版本的支持。这一变更反映了 JavaScript 生态系统的持续演进,也意味着项目可以更自由地使用现代 JavaScript 特性,而无需为旧版本提供兼容性支持。开发者如果需要继续使用这些 Node.js 版本,建议停留在 Jest-Extended 的 4.x 系列版本。
类型检查优化
新版本用原生类型检查替代了原有的 jest-get-type 依赖。这一改进不仅减少了项目的依赖项,还提高了类型检查的性能和可靠性。原生类型检查通常能更好地与 JavaScript 引擎集成,提供更准确的类型判断结果。
新增强大匹配器
5.0.0 版本引入了多个实用的新匹配器,显著增强了测试表达能力:
-
toIncludeSamePartialMembers:这个匹配器允许开发者验证一个数组是否包含与预期数组相同的部分成员,而不需要完全匹配。这在测试大型数据结构时特别有用,可以只关注关键部分而忽略不相关的数据。
-
变化相关匹配器组:新增了 toChange、toChangeBy 和 toChangeTo 三个匹配器,专门用于验证值的变化情况。这些匹配器使得测试状态变化更加直观:
- toChange 验证值是否发生了变化
- toChangeBy 验证值变化的具体量
- toChangeTo 验证值变化后的结果
架构升级:转向 TypeScript
项目从 JavaScript 迁移到了 TypeScript,这是 5.0.0 版本最重要的架构改进之一。TypeScript 的静态类型系统为项目带来了以下优势:
- 更好的代码可维护性
- 更早的错误检测
- 更完善的 IDE 支持
- 更清晰的 API 文档(通过类型定义)
对于使用者来说,这一变化意味着更好的类型提示和更少的运行时错误,特别是在 TypeScript 项目中。
自定义相等性测试支持
新版本增加了对自定义相等性测试器(equality testers)的支持。这一功能允许开发者定义自己的相等性比较逻辑,当内置的匹配器无法满足特定场景的比较需求时,可以灵活扩展。例如,在处理特殊对象或自定义数据结构时,开发者可以精确控制如何判断两个实例是否"相等"。
其他改进
- 修复了 toBeInRange 匹配器的错误描述,使其更加准确
- 常规依赖项更新,确保项目使用最新、最安全的第三方库
升级建议
对于现有项目,升级到 5.0.0 版本需要注意以下几点:
- 确保运行环境使用 Node.js 20 或更高版本
- 检查是否依赖了被移除或更改的 API
- 考虑利用新的匹配器简化现有测试代码
- TypeScript 项目将获得更好的类型支持
新匹配器的加入特别值得关注,它们可以显著提高测试代码的表达能力。例如,变化相关的匹配器可以替代许多手动编写的状态变化断言,使测试意图更加清晰。
总结
Jest-Extended 5.0.0 标志着这个流行测试扩展库的重要进化。通过放弃旧版本支持、转向 TypeScript 和引入强大的新匹配器,项目为现代 JavaScript 测试提供了更强大、更可靠的工具。这些改进不仅提升了开发体验,也为未来的功能扩展奠定了更坚实的基础。对于重视测试质量的团队来说,升级到 5.0.0 版本将带来显著的长期收益。
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