ESLint规则增强:为no-restricted-properties添加对象排除功能
在JavaScript开发中,ESLint作为静态代码检查工具,其no-restricted-properties规则用于限制特定属性的使用。该规则通常用于废弃API或限制模块方法的使用场景。然而,在实际应用中,开发者可能会遇到需要针对不同对象类型进行差异化限制的需求。
现有规则的限制
当前no-restricted-properties规则存在一个明显的局限性:当开发者仅配置property选项时,该规则会对所有包含该属性的对象生效。例如,配置禁止使用push方法后,不仅会限制数组的push操作,还会影响其他具有push方法的对象,如路由器的push方法。
/* eslint no-restricted-properties: [2, {
"property": "push"
}] */
// 数组的push操作会被标记
myArray.push(1);
// 路由器的push操作也会被标记
const router = useRouter();
router.push("/abc");
这种一刀切的限制方式在实际项目中可能导致大量误报,特别是当不同对象类型恰巧具有同名方法但语义完全不同时。
改进方案
社区提出为no-restricted-properties规则新增一个allowObjects配置选项,该选项接受一个字符串数组,用于指定哪些对象的特定属性可以豁免限制。这种设计既保持了规则的灵活性,又解决了误报问题。
/* eslint no-restricted-properties: [2, {
"property": "push",
"allowObjects": ["router"]
}] */
// 数组的push操作仍会被标记
myArray.push(1);
// 路由器的push操作将被豁免
const router = useRouter();
router.push("/abc");
技术实现考量
在实现这一增强时,需要考虑几个关键点:
-
选项命名:经过讨论,allowObjects比最初提议的excludeObjects更准确地表达了功能意图。
-
数据类型:allowObjects应设计为数组类型,以支持多个对象的豁免需求。
-
互斥性:新选项应与现有的object选项互斥,避免配置冲突。
-
类型系统集成:在TypeScript项目中,未来可考虑基于类型信息而非变量名进行更精确的限制。
实际应用价值
这一增强为团队代码规范管理提供了更细粒度的控制能力。例如:
- 可以限制数组的变异方法(如push/pop),同时允许路由器的导航方法
- 可以禁止直接访问某些全局对象的特定属性,但允许通过特定模块访问
- 可以在迁移旧代码时,逐步限制某些API的使用,同时保持兼容性
这种灵活性使得no-restricted-properties规则能够适应更复杂的代码治理场景,而不会因为过于严格的限制而影响开发效率。
总结
ESLint作为代码质量保障工具,其规则的精确性和灵活性同样重要。no-restricted-properties规则的这一增强,体现了开源社区对开发者实际需求的响应能力。通过允许特定对象的豁免,该规则在保持其主要功能的同时,减少了误报情况,使团队能够制定更符合项目实际情况的代码规范。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C031
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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