ESLint插件Perfectionist中的数字分隔符自然排序优化
在JavaScript开发中,我们经常需要对数组、Map或对象中的元素进行排序。ESLint插件Perfectionist提供了sort-array-includes、sort-maps和sort-objects等规则来自动化这一过程。然而,当代码中使用数字分隔符时,这些规则的默认排序行为可能会产生不符合预期的结果。
数字分隔符带来的排序挑战
JavaScript支持两种形式的数字分隔符:
-
数字字面量分隔符:ES2021引入的语法特性,允许在数字中使用下划线作为分隔符,如
1_000或1_000_000,提高大数字的可读性。 -
字符串数字分隔符:在字符串形式的数字中使用逗号、点号或空格等作为分隔符,如
"10,000"或"1 000 000"。
传统的字符串排序算法会将这些分隔符视为普通字符,导致1_000或"1,000"被排在100之前,因为下划线和逗号在ASCII表中的位置比数字字符要低。这与人类对数字大小的自然认知相违背。
解决方案的实现
Perfectionist插件在v3.0.0版本中解决了这一问题,通过以下方式实现了对数字分隔符的自然排序支持:
-
数字字面量处理:自动忽略数字字面量中的下划线分隔符,将
1_000视为1000进行排序。 -
字符串数字处理:对于字符串形式的数字,插件能够识别并忽略常见的分隔符(如逗号、点号、空格等),确保
"1,000"和"1000"能够按照数值大小正确排序。
实际应用示例
// 数字字面量在Map中的自然排序
const ordinals = new Map([
[1, "first"],
[2, "second"],
[3, "third"],
[100, "hundredth"],
[1_000, "thousandth"], // 会被正确识别为1000
[1_000_000, "millionth"] // 会被正确识别为1000000
]);
// 字符串数字在对象中的自然排序
const stringOrdinals = {
"1": "first",
"2": "second",
"3": "third",
"100": "hundredth",
"1,000": "thousandth", // 会被正确识别为1000
"1 000 000": "millionth" // 会被正确识别为1000000
};
技术实现要点
-
词法分析预处理:在排序前,插件会对键名进行预处理,移除数字分隔符而不改变数值本身。
-
自然排序算法:采用自然排序算法(natural sort),能够智能识别字符串中的数字部分,并按数值大小而非字典序进行排序。
-
兼容性考虑:实现时确保了与现有ESLint生态的兼容性,不会影响其他规则的正常运行。
这一改进特别适合需要处理大量数字数据的项目,如金融应用、科学计算或游戏开发等领域,既能保持代码的可读性,又能确保排序结果的正确性。
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