React Native Testing Library 中测试隐藏可访问性元素的解决方案
背景介绍
在React Native应用开发中,我们经常需要处理可访问性(ADA)相关的功能。其中一个常见需求是隐藏某些元素,使其不被屏幕阅读器等辅助技术所识别。React Native提供了accessibilityElementsHidden和importantForAccessibility等属性来实现这一功能。
问题现象
在使用React Native Testing Library进行测试时,开发者发现当组件设置了accessibilityElementsHidden或importantForAccessibility="no-hide-descendants"属性后,测试用例无法找到这些元素及其子元素。这在React Native 0.70版本及之前是可行的,但在升级到0.72版本后出现了问题。
原因分析
这个行为变化实际上是React Native Testing Library有意为之的改进。在真实设备上,设置了这些可访问性属性的元素确实应该对辅助技术隐藏。测试库为了更真实地模拟用户环境,默认情况下也会忽略这些隐藏元素。
解决方案
虽然默认行为改变了,但测试库仍然提供了测试这些隐藏元素的方法。我们可以使用includeHiddenElements选项来覆盖默认行为:
// 测试隐藏元素的文本内容
expect(getByText('Hello World', { includeHiddenElements: true })).toBeTruthy();
// 测试隐藏元素的testID
expect(getByTestId('View', { includeHiddenElements: true })).toBeTruthy();
最佳实践
-
区分测试目的:对于正常的用户交互测试,保持默认行为;只有专门测试可访问性功能时,才使用
includeHiddenElements选项。 -
双重验证:可以编写两组测试用例,一组验证元素对辅助技术隐藏,另一组验证元素内容正确渲染。
-
注释说明:在使用
includeHiddenElements的地方添加注释,说明这是专门为了测试可访问性功能。
技术细节
includeHiddenElements选项会覆盖测试库的默认过滤行为,使查询能够匹配到以下元素:
- 设置了
accessibilityElementsHidden={true}的元素 - 设置了
importantForAccessibility="no-hide-descendants"的元素 - 其他被标记为隐藏的元素
版本兼容性说明
这一行为变化主要发生在以下版本升级后:
- React Native从0.70升级到0.72
- React Native Testing Library从11.x升级到12.x
建议开发者在升级这些依赖时,检查所有涉及可访问性元素的测试用例。
总结
React Native Testing Library的这一改进使得测试更加贴近真实用户环境。虽然需要调整测试代码,但提供了更准确的测试结果。通过合理使用includeHiddenElements选项,我们既能测试可访问性功能的正确性,又能验证隐藏元素的内容渲染。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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