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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00