Mapbox GL JS 单元测试中解决 TextDecoder 未定义问题
问题背景
在使用 Mapbox GL JS 3.0.1 版本进行前端开发时,开发者在编写 Jest 单元测试时遇到了一个常见问题:任何导入 mapbox-gl 模块的测试文件都会抛出"TextDecoder is not defined"的错误。这个问题通常出现在使用 jsdom 环境的测试场景中。
问题分析
TextDecoder 是现代浏览器提供的 API,用于将字节流解码为字符串。Mapbox GL JS 内部可能使用了这个 API 来处理某些数据。然而,在 Jest 测试环境中,虽然 jsdom 模拟了浏览器环境,但它并没有完整实现所有的 Web API,TextDecoder 就是其中之一未被完全实现的功能。
解决方案
要解决这个问题,我们需要在 Jest 测试环境中手动提供 TextDecoder 和 TextEncoder 的实现。Node.js 的 util 模块中已经包含了这些功能的实现,我们可以直接使用:
import * as util from 'util';
// 在 Jest 的 setup 文件中添加以下代码
Object.defineProperty(window, 'TextEncoder', {
writable: true,
value: util.TextEncoder
});
Object.defineProperty(window, 'TextDecoder', {
writable: true,
value: util.TextDecoder
});
实现细节
-
util 模块:Node.js 内置的 util 模块提供了 TextEncoder 和 TextDecoder 的实现,这与浏览器中的实现功能相同。
-
Object.defineProperty:我们使用这个方法将这些实现添加到全局 window 对象上,模拟浏览器环境。
-
writable: true:这个配置允许在测试过程中如果需要可以重新定义这些属性。
最佳实践
-
将上述代码添加到 Jest 的 setup 文件中(通常是 setupTests.js 或类似的配置文件)。
-
确保在所有测试运行之前这段代码已经执行。
-
如果项目中有多个测试文件需要这些 polyfill,集中管理比在每个测试文件中单独添加更高效。
扩展思考
这个问题不仅限于 Mapbox GL JS,任何在测试环境中使用现代浏览器 API 的库都可能遇到类似问题。理解如何在测试环境中模拟浏览器特定的功能是前端测试开发的重要技能。对于其他缺失的浏览器 API,也可以采用类似的 polyfill 方法来解决测试环境中的兼容性问题。
通过这种方式,我们不仅解决了 Mapbox GL JS 的测试问题,也为项目中可能遇到的其他类似浏览器 API 缺失问题提供了解决思路。
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