深入解析Tiptap编辑器在Jest测试中的对象比较问题
2025-05-05 07:44:33作者:咎竹峻Karen
问题背景
在使用Tiptap编辑器进行单元测试时,开发者经常会遇到需要比较两个编辑器实例的情况。一个典型的场景是验证编辑器状态是否符合预期。然而,当尝试使用Jest的toMatchObject方法来比较包含Tiptap编辑器实例的对象时,会出现"Maximum call stack size exceeded"的错误。
问题本质分析
这个问题的根源在于Tiptap编辑器实例内部存在复杂的递归引用结构。当Jest尝试深度比较两个编辑器对象时,它会递归遍历对象的所有属性。由于编辑器内部存在循环引用,这种递归会无限进行下去,最终导致调用栈溢出。
技术细节
Tiptap编辑器是一个基于ProseMirror的富文本编辑器框架,其内部维护了一个复杂的状态树结构。每个编辑器实例都包含:
- 文档模型(Document Model)
- 扩展系统(Extensions)
- 事务管理器(Transaction Manager)
- 各种插件和状态管理
这些组件之间相互引用,形成了一个复杂的对象图。当Jest尝试比较两个这样的实例时,它会陷入无限递归的陷阱。
解决方案
针对这个问题,Tiptap核心贡献者提出了更合理的测试方法:
-
避免直接比较编辑器实例:编辑器实例本身不应该被直接比较,因为即使配置相同,它们也是不同的对象实例。
-
比较编辑器输出:应该比较编辑器的输出内容,而不是实例本身。Tiptap提供了两种主要方法:
editor.getJSON():获取编辑器的JSON表示editor.getHTML():获取编辑器的HTML表示
-
测试特定行为:更推荐的做法是测试编辑器的具体行为,而不是内部状态。例如:
- 测试命令执行后的文档变化
- 测试特定扩展的功能
- 测试用户交互后的结果
实践建议
在实际测试中,可以这样重构测试代码:
describe('Editor Content Test', () => {
it('should have expected content', () => {
const editor = new Editor({
content: `<p>hello</p>`,
extensions: [Document, Paragraph, Text],
});
expect(editor.getJSON()).toMatchObject({
type: 'doc',
content: [
{
type: 'paragraph',
content: [
{
type: 'text',
text: 'hello'
}
]
}
]
});
});
});
总结
在测试Tiptap编辑器时,理解其内部结构和测试策略至关重要。直接比较编辑器实例不仅技术上不可行,从测试理念上看也不合理。通过比较编辑器的输出内容或测试具体行为,可以编写出更健壮、更有意义的测试用例。这种测试方法也更符合黑盒测试的原则,关注编辑器的外部行为而非内部实现。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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
最新内容推荐
TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 IK分词器elasticsearch-analysis-ik-7.17.16:中文文本分析的最佳解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
26
10
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
427
3.28 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
343
Ascend Extension for PyTorch
Python
235
267
暂无简介
Dart
686
161
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
327
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
56
33
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
669