jsdom 26.1.0版本发布:SVG支持增强与性能优化
项目简介
jsdom是一个纯JavaScript实现的Web标准DOM和HTML,它能够在Node.js环境中模拟浏览器环境。这个项目对于前端开发测试、服务器端渲染等场景非常重要,让开发者无需真实浏览器就能操作DOM结构、运行脚本和处理事件。
版本亮点
增强的SVG元素支持
26.1.0版本显著增强了对SVG(可缩放矢量图形)的支持,新增了多个SVG元素及其对应类的实现:
-
基础容器元素:新增了
<defs>(SVGDefsElement)、<g>(SVGGElement)和<symbol>(SVGSymbolElement)等容器元素的实现。这些元素在SVG中用于定义可重用组件或分组其他元素。 -
元数据元素:实现了
<desc>(SVGDescElement)和<metadata>(SVGMetadataElement),这些元素用于存储SVG文档的描述信息和元数据。 -
条件渲染元素:新增了
<switch>(SVGSwitchElement)支持,这个元素允许根据用户代理的能力或语言设置等条件来选择渲染不同的子元素。
新增SVG相关类型
-
动画相关类型:引入了
SVGAnimatedPreserveAspectRatio和SVGAnimatedRect类型,这些类型用于处理SVG中可动画的属性值。 -
矩形区域支持:新增了
SVGSVGElement的createSVGRect()方法和SVGRect类型,为SVG图形操作提供了更完整的支持。值得注意的是,SVGRect与常见的DOMRect是不同的类型,专为SVG设计。
HTML表单改进
版本中为HTMLFormElement增加了索引属性支持,这意味着现在可以通过数字索引直接访问表单中的元素,如form[0]将返回表单中的第一个元素。这一改进使jsdom的行为更接近真实浏览器。
视口计算优化
改进了SVGElement的viewportElement()方法,现在能够根据祖先元素正确计算和建立视口。这对于嵌套SVG元素和复杂SVG文档的渲染至关重要。
依赖项优化
移除了form-data依赖项,转而使用项目自身实现的更轻量级的multipart/form-data序列化方案。这一变化不会影响功能,但减少了项目的依赖体积,提高了可靠性和性能。
性能提升
26.1.0版本包含了多项性能优化措施:
-
缓存机制:引入了更多缓存策略,减少重复计算。
-
微优化:对关键路径进行了细粒度优化。
-
延迟对象创建:采用惰性初始化策略,只在需要时才创建对象,降低了内存使用和初始化开销。
这些优化使得jsdom在处理复杂DOM结构时更加高效,特别是在大量操作SVG元素的场景下。
技术意义
这次更新使得jsdom对SVG标准的支持更加完整,为以下场景提供了更好的支持:
-
SVG动态生成与操作:开发者现在可以在Node.js环境中更完整地操作SVG文档结构。
-
图形测试:为基于SVG的数据可视化库提供了更真实的测试环境。
-
服务器端渲染:增强了SVG内容的服务器端渲染能力。
-
Web标准兼容性:使jsdom更接近浏览器行为,提高了测试的可靠性。
对于依赖jsdom进行前端测试或服务器端渲染的开发者来说,26.1.0版本提供了更完整的功能集和更好的性能表现,特别是在处理SVG内容时。这些改进使得非浏览器环境下的DOM操作更加接近真实浏览器行为,有助于提高开发效率和测试准确性。
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