ScriptCat项目中GM_notification与SVG图标兼容性问题分析
背景概述
在ScriptCat项目(一个用户脚本管理器)的v0.18.1版本中,开发者发现了一个与GM_notification API相关的兼容性问题。具体表现为:当后台脚本包含SVG格式的base64编码图标声明时,MV3版本的GM_notification功能无法正常工作,而MV2版本则运行正常。
问题现象
开发者在使用包含以下元数据的脚本时遇到了问题:
// @icon data:image/svg+xml;base64,...(SVG base64编码数据)
当执行GM_notification调用时,控制台会抛出错误:"Unchecked runtime.lastError: Unable to download all specified images"。而移除SVG图标声明后,通知功能恢复正常。
技术分析
MV2与MV3的差异
-
浏览器扩展架构变化:MV3(Manifest V3)是Chrome扩展平台的最新版本,对安全性有更高要求,其中一项重要变化就是限制了某些资源类型的使用。
-
图标处理机制:MV3版本对通知图标有更严格的验证机制,特别是对SVG格式的支持发生了变化。根据Chromium项目的问题追踪记录,MV3的notification API已不再支持SVG格式的图标。
-
Base64编码问题:测试表明,虽然PNG格式的base64编码图标可以正常工作,但SVG格式的base64编码会导致API调用失败。
解决方案
推荐做法
- 使用PNG格式图标:将SVG图标转换为PNG格式,并使用base64编码或直接引用URL:
// 使用PNG base64
// @icon data:image/png;base64,...
// 或使用URL引用
// @icon https://example.com/icon.png
- 避免SVG格式:在MV3环境下,应完全避免使用SVG格式作为通知图标。
兼容性处理
ScriptCat开发团队已针对此问题进行了修复,主要处理方式包括:
- 在MV3环境下自动检测并过滤不支持的图标格式
- 提供更明确的错误提示,帮助开发者快速定位问题
最佳实践建议
-
多版本兼容:如果脚本需要同时支持MV2和MV3环境,建议提供两种格式的图标资源。
-
图标优化:
- 优先使用PNG格式
- 控制图标尺寸(推荐128×128像素)
- 优化base64编码长度
-
错误处理:在使用GM_notification时添加适当的错误处理逻辑,以应对可能的兼容性问题。
总结
随着浏览器扩展平台向MV3迁移,开发者需要注意API行为的变化。ScriptCat项目中发现的GM_notification与SVG图标兼容性问题,反映了MV3在安全性和资源限制方面的改进。通过采用推荐的PNG格式图标和遵循最佳实践,开发者可以确保用户脚本在各种环境下都能可靠工作。
对于ScriptCat用户,建议及时更新到最新版本以获得最佳的兼容性支持,同时在开发过程中注意测试不同环境下的脚本行为。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust025
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00