React Testing Library 中测试 React 19 元数据标签的最佳实践
随着 React 19 的发布,元数据标签的处理方式发生了重大变化。React 19 引入了对元数据标签的原生支持,这直接影响了在测试中使用 React Testing Library 的方式。
在 React 18 及更早版本中,Next.js 的 Head 组件会将元数据标签渲染到测试环境的 DOM 中。这使得开发者可以使用常规的查询方法(如 getByTestId)来测试这些标签。然而,React 19 改变了这一行为,元数据标签现在会被直接注入到真实的 document.head 中,而不会出现在测试渲染的 DOM 结构中。
这一变化导致了许多现有测试用例的失败,特别是那些针对 favicon、社交媒体元数据(如 twitter:description)等内容的测试。开发者可能会发现,使用 screen.debug() 时,原本应该出现在 Head 中的标签现在不见了。
针对这一变化,正确的测试方法应该是直接查询 document.head 中的元素。例如,可以使用 document.querySelector('meta[name="twitter:description"]') 来验证特定的元数据标签是否存在及其内容是否正确。对于 favicon 测试,可以使用 document.querySelector('link[rel="icon"]') 来获取相应的链接元素。
值得注意的是,JSON.stringify(document.head) 可能无法正常工作,因为 HTML 元素对象不能直接序列化为 JSON。开发者应该使用 DOM 查询方法来直接检查元素属性。
对于 Next.js 应用,除了直接查询 document.head 外,还可以考虑使用 Next.js 提供的 generateMetadata 功能进行测试。这种方法允许开发者直接测试导出的元数据对象,而不需要处理 DOM 查询。
这一变化虽然需要开发者调整测试策略,但它实际上更贴近真实浏览器的行为,使得测试结果更加准确可靠。React Testing Library 团队建议开发者更新测试代码以适应这一新行为,而不是尝试绕过它。
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