Playwright v1.52.0发布:增强断言能力与测试稳定性控制
Playwright作为现代Web自动化测试框架,在v1.52.0版本中带来了一系列重要更新,特别强化了元素断言能力和测试稳定性控制机制。这个由微软维护的开源项目已经成为前端测试领域的重要工具,支持Chromium、Firefox和WebKit三大浏览器引擎,能够实现跨浏览器的自动化测试、端到端测试以及Web爬取等场景。
核心功能增强
更优雅的类名断言
新版本引入了expect(locator).toContainClass()方法,专门用于验证元素是否包含特定CSS类名。这种语法比传统的类名检查更加直观和语义化:
await expect(page.getByRole('listitem', { name: 'Ship v1.52' }))
.toContainClass('done');
相比之前需要通过toHaveClass进行全量匹配或手动解析classList,新方法显著提升了测试代码的可读性和维护性。
ARIA快照功能升级
Playwright的ARIA快照功能新增了两个重要属性:
/children属性支持严格匹配模式,确保子元素结构的精确验证/url属性专门用于链接元素的URL验证
await expect(locator).toMatchAriaSnapshot(`
- list
- /children: equal
- listitem: Feature A
- listitem:
- link "Feature B":
- /url: "https://example.com"
`);
这些增强使得无障碍测试更加全面,特别是对于动态内容和复杂交互组件的验证。
测试运行器改进
精细化并发控制
新增的testProject.workers属性允许针对不同测试项目设置独立的并发工作进程数,与全局的testConfig.workers配置形成互补。这种分层配置机制使得资源分配更加灵活,特别适合大型项目中的混合测试套件。
稳定性保障机制
引入testConfig.failOnFlakyTests选项,可在CI/CD流程中强制要求所有测试必须稳定通过。当检测到任何不稳定的测试用例时,整个测试运行将直接失败,避免将潜在问题带入生产环境。
测试结果对象现在通过testResult.annotations属性提供每次重试的详细注解信息,为测试稳定性分析提供了更丰富的数据支持。
其他重要更新
API测试增强
apiRequest.newContext()新增maxRedirects选项,允许开发者精确控制HTTP重定向的深度,为API测试提供了更精细的流程控制能力。
元素定位优化
locator.ariaSnapshot()方法新增ref选项,可为快照中的每个元素生成唯一引用标识,便于后续的精确定位操作,特别适合复杂动态页面的测试场景。
报告功能改进
HTML报告器现在支持反向过滤语法,如!@my-tag可排除特定标签的测试用例,!my-file.spec.ts可忽略特定测试文件,为大型项目的测试结果分析提供了更灵活的视图控制。
兼容性调整
本次版本包含几项重要的兼容性变更:
- URL模式匹配中的
?字符将不再作为通配符,而是作为字面量问号处理 - 字符集范围匹配
[]语法已被移除,建议改用正则表达式替代 route.continue()方法不再支持覆盖Cookie头,需改用browserContext.addCookies()设置自定义cookie- 停止对macOS 13的WebKit支持,建议用户升级操作系统版本
浏览器引擎更新
v1.52.0版本同步更新了底层浏览器引擎:
- Chromium升级至136.0.7103.25
- Firefox更新至137.0
- WebKit升级至18.4
版本已针对Chrome 135和Edge 135等稳定渠道进行了兼容性验证。
这些更新进一步巩固了Playwright在现代Web自动化测试领域的领先地位,为开发者提供了更强大、更稳定的测试工具链。特别是新增的断言方法和稳定性控制机制,将显著提升测试代码的质量和维护性。
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