Logseq项目E2E测试中通知组件遮挡问题的分析与解决
问题背景
在Logseq桌面端应用的端到端(E2E)测试过程中,测试用例"创建页面和块并保存到磁盘"执行失败。测试失败的具体表现是Playwright无法点击页面上的添加按钮元素,原因是该按钮被通知组件(notifications)遮挡。
问题现象
测试日志显示,Playwright尝试点击.add-button-link-wrap元素时,虽然该元素可见且处于可点击状态,但由于通知组件(.notifications.ui__notifications)及其子元素(.p-4)拦截了指针事件,导致点击操作无法完成。测试最终因超时(30秒)而失败。
技术分析
-
DOM层级问题:通知组件在z轴上的层级高于添加按钮,虽然两者在视觉上可能没有重叠,但CSS的
pointer-events属性导致事件被拦截。 -
测试环境差异:在CI环境中,测试运行速度可能比本地开发环境更快,导致通知组件尚未消失时测试就尝试进行下一步操作。
-
测试策略不足:当前的测试脚本没有考虑到应用中可能出现的临时性UI组件(如通知)对测试流程的影响。
解决方案
-
环境变量调整:通过设置
DEBUG=pw:api环境变量可以获取更详细的Playwright调试信息,帮助定位问题。同时设置CI=true可以模拟CI环境的行为。 -
测试等待策略优化:
- 在关键操作前添加显式等待,确保通知消失后再继续测试
- 使用Playwright的
waitForSelector方法等待特定元素消失 - 考虑增加重试机制处理临时性UI干扰
-
测试脚本修改:在测试流程中加入对通知组件的处理逻辑,例如:
await page.waitForSelector('.notifications', { state: 'hidden' });
最佳实践建议
-
隔离测试环境:E2E测试应该尽可能在可控的环境中运行,避免受到临时性UI元素的干扰。
-
增加容错机制:对于可能出现的临时性UI元素,测试脚本应该具备自动处理能力。
-
完善测试日志:在CI环境中启用详细的调试日志,便于问题诊断。
-
视觉测试补充:考虑引入视觉回归测试,确保UI层级关系符合预期。
总结
Logseq的E2E测试失败案例展示了前端应用中动态UI组件对自动化测试的挑战。通过分析DOM层级关系和优化测试策略,可以有效解决这类问题。这个案例也提醒开发者,在编写E2E测试时需要充分考虑应用的实际运行状态,而不仅仅是静态页面结构。
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