SurveyJS 2.0.4版本发布:表单库功能增强与体验优化
SurveyJS是一个强大的开源JavaScript表单库,它允许开发者轻松创建各种类型的调查问卷、表单和测验。该库提供了丰富的UI组件、灵活的数据绑定机制以及强大的验证功能,能够满足从简单到复杂的各种表单需求。
动态选项创建功能
本次2.0.4版本最显著的改进是引入了动态选项创建功能。现在,开发者可以在Dropdown和TagBox组件中允许用户输入新选项并自动添加到选择列表中。这一功能通过新增的allowNewOptions属性实现,当设置为true时,用户输入不在现有选项中的值会被自动创建为新选项。
为了实现更精细的控制,SurveyJS还新增了onChoiceCreated事件。开发者可以监听这个事件,在新选项被创建时执行自定义逻辑,比如验证输入值或修改选项属性。这一功能特别适合需要用户自定义选项的场景,如标签管理、自定义分类等。
无障碍访问改进
2.0.4版本对无障碍访问(A11y)进行了多项优化:
- 改进了布尔类型复选框的无障碍支持,确保屏幕阅读器能够正确识别和描述这些控件。
- 修复了矩阵下拉题中的下拉组件无障碍问题,使其在各种辅助技术下都能正常工作。
- 优化了aria-label和aria-labelledby属性的行为,确保表单元素能够被正确标记和关联。
这些改进使得SurveyJS构建的表单能够更好地服务于视觉障碍用户,符合现代Web应用的无障碍标准。
移动端体验优化
针对移动设备的使用体验,本次更新包含多项改进:
- 修复了移动模式下字体大小重置的问题,确保表单在不同设备上保持一致的视觉体验。
- 优化了Dropdown组件在平板设备上的显示效果,使其在小屏幕上也能正常使用。
- 改进了移动设备上搜索编辑器的可见性,提升了用户在小屏幕设备上的操作体验。
表达式与数据处理增强
SurveyJS强大的表达式系统在本版本中得到了多项改进:
- 修复了iif和getDate函数中的错误,提高了条件判断和日期处理的准确性。
- 改进了当survey.data中包含字符串格式数字时的表达式处理逻辑。
- 修复了displayValue表达式在特定情况下的行为,确保它能正确显示行列数据。
这些改进使得SurveyJS的数据处理和条件逻辑更加可靠和灵活。
其他重要改进
- 改进了表格目录(TOC)在启用高级标题时的视觉效果,提升了表单的整体美观度。
- 修复了Vue3版本中异步加载调查时标题不渲染的问题。
- 为PanelModel的expand()方法添加了详细的参数说明,提高了API文档的完整性。
- 解决了文本区域值在代码中设置问题注释/其他值时不更新的问题。
技术实现细节
在内部实现上,SurveyJS团队对QuestionSelectBase.calcVisibleChoices方法进行了重构,提高了选项计算的效率和可靠性。同时,通过优化单元测试结构,确保了新功能的稳定性和向后兼容性。
总结
SurveyJS 2.0.4版本通过引入动态选项创建、增强无障碍访问、优化移动体验和改进表达式系统,进一步巩固了其作为专业表单解决方案的地位。这些改进不仅提升了开发者的工作效率,也显著改善了最终用户的使用体验。对于需要构建复杂表单系统的项目,SurveyJS 2.0.4提供了一个更加成熟和可靠的选择。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00