TanStack Router 单元测试中解决 window.scrollTo 未实现错误
在最新版本的 TanStack Router(v1.98.1 及以上)项目中运行单元测试时,开发者可能会遇到一个常见的控制台错误:"Error: Not implemented: window.scrollTo"。虽然测试用例仍然能够通过,但这个错误信息会影响测试输出的整洁性,也可能掩盖其他潜在问题。
问题背景
这个错误源于测试环境中的一个技术限制。TanStack Router 在内部实现了滚动恢复功能,当路由变化时会自动调用 window.scrollTo 方法来恢复页面滚动位置。然而,在测试环境中使用的 jsdom(一个模拟浏览器环境的 JavaScript 实现)并没有完整实现所有浏览器 API,其中就包括 window.scrollTo 方法。
解决方案
解决这个问题的方法是在测试环境中手动模拟 window.scrollTo 方法。以下是几种实现方式:
1. 全局模拟方案
可以在测试设置文件中(如 vitest.setup.ts 或 jest.setup.js)添加以下代码:
Object.defineProperty(window, 'scrollTo', {
value: () => {},
writable: true
});
2. 单个测试文件模拟
如果只需要在特定测试文件中解决这个问题,可以在测试文件顶部添加:
beforeEach(() => {
window.scrollTo = jest.fn();
});
3. 使用测试库的配置
某些测试框架提供了配置选项来预先设置这些模拟。例如在 Vitest 中:
// vitest.config.ts
export default defineConfig({
test: {
setupFiles: ['./test-setup.ts']
}
});
然后在 test-setup.ts 中实现模拟。
技术原理
这个问题的本质是测试环境与浏览器环境的差异。jsdom 作为 Node.js 环境中的浏览器模拟器,出于性能和安全考虑,并没有实现所有浏览器 API。window.scrollTo 就是其中之一,因为它通常涉及实际的视图渲染和布局计算。
TanStack Router 的滚动恢复功能是一个重要的用户体验优化,它会在路由导航时:
- 记住离开页面时的滚动位置
- 在返回时恢复该位置
- 在新页面导航时将页面滚动到顶部
在测试环境中,我们不需要实际的滚动行为,只需要确保这些方法被调用即可,因此简单的空函数模拟就足够了。
最佳实践
-
建议在项目级别的测试配置中统一处理这类浏览器 API 的模拟,而不是在每个测试文件中重复
-
对于需要验证滚动行为的特殊情况测试,可以扩展模拟实现来记录调用信息:
const scrollToMock = jest.fn();
window.scrollTo = scrollToMock;
// 在测试中验证
expect(scrollToMock).toHaveBeenCalledWith(0, 0);
- 保持模拟的简单性,避免在测试中引入复杂的滚动逻辑,这应该属于端到端测试的范畴
通过以上方法,开发者可以消除测试中的干扰信息,同时确保 TanStack Router 的滚动功能在测试中得到适当的验证。
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