Swift Snapshot Testing 1.18.0 版本发布:全新自定义转储策略与Android支持
Swift Snapshot Testing 是一个强大的 Swift 测试框架,它允许开发者通过捕获和比较应用程序的视觉输出、数据结构或其他可序列化内容来验证代码的正确性。这种测试方法特别适合UI组件、视图控制器和复杂数据结构的验证,能够有效减少回归测试的工作量。
1.18.0 版本亮点
新增自定义转储策略
1.18.0 版本引入了一个全新的 .customDump 策略,该策略通过新增的 SnapshotTestingCustomDump 模块提供。这个新策略是对现有 .dump 策略的改进和替代,后者已被标记为软弃用状态。
.customDump 策略提供了更灵活、更精确的数据结构转储能力,能够更好地处理复杂对象的比较和验证。与传统的 .dump 相比,它提供了:
- 更清晰的输出格式
- 更好的自定义选项
- 更精确的差异检测
- 改进的循环引用处理
开发者可以逐步迁移到新的 .customDump 策略,以获得更好的测试体验和更准确的测试结果。
Android平台支持
这个版本还增加了对Android平台的支持,这是由社区贡献者 @marcprux 实现的重大改进。这意味着开发者现在可以在Android项目中使用Swift Snapshot Testing框架,扩展了框架的应用范围。
Android支持包括:
- 兼容Android NDK工具链
- 适配Android文件系统特性
- 确保在Android环境下的稳定运行
这一改进使得跨平台Swift项目能够使用统一的快照测试方法,提高了代码质量和测试效率。
内联快照测试改进
assertInlineSnapshot 功能的 record 参数现在支持所有记录模式,解决了之前版本中的一些限制。这使得内联快照测试更加灵活和强大,开发者可以:
- 更方便地更新快照
- 更灵活地控制记录行为
- 更精确地管理测试数据
内联快照测试允许开发者将预期的输出直接嵌入测试代码中,提高了测试的可读性和维护性。
主线程检测问题修复
修复了在 @MainActor 注解的测试中可能出现的主线程检测问题。这个修复由 @peterkovacs 贡献,解决了在某些情况下测试可能错误地报告线程问题的bug。
这个改进特别重要,因为:
- 确保UI相关测试在主线程上正确执行
- 避免了误报的线程安全问题
- 提高了测试的稳定性和可靠性
升级建议
对于现有用户,建议:
- 逐步将
.dump策略迁移到新的.customDump策略 - 检查并更新使用了
assertInlineSnapshot的测试用例 - 对于跨平台项目,可以开始在Android环境中使用快照测试
新用户可以:
- 直接使用
.customDump策略开始编写测试 - 利用改进的内联快照功能简化测试编写
- 在Android项目中集成快照测试
总结
Swift Snapshot Testing 1.18.0 版本带来了多项重要改进和新功能,特别是自定义转储策略和Android支持,大大扩展了框架的实用性和适用范围。这些改进使得快照测试更加灵活、强大,能够满足更广泛的测试需求。
对于任何使用Swift进行开发的团队,特别是那些关注代码质量和测试覆盖率的团队,这个版本都值得考虑升级或采用。它不仅提高了测试的准确性,还简化了测试的编写和维护工作,是提升开发效率的有力工具。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00