React Native Testing Library v13.0.0 全面解析
React Native Testing Library 是一个专注于 React Native 组件测试的库,它提供了一套简洁的 API 来模拟用户交互并验证组件行为。该库的设计理念是鼓励开发者以用户视角进行测试,而不是过度关注实现细节。最新发布的 v13.0.0 版本带来了多项重要更新和突破性变化,标志着该库进入了一个新的发展阶段。
并发渲染成为默认行为
v13.0.0 最显著的改变之一是默认启用了并发渲染模式。这一变化与 React 18 和 19 的并发特性保持一致,意味着测试环境将更贴近实际生产环境的行为。并发渲染模式下,React 可以中断、暂停或恢复渲染工作,以优先处理更紧急的更新。对于测试而言,这意味着:
- 测试将更好地模拟真实用户交互场景
- 组件在并发更新下的行为可以得到验证
- 需要开发者注意测试中可能出现的竞态条件
Jest 匹配器自动扩展
在之前的版本中,开发者需要显式导入 @testing-library/react-native/extend-expect 来扩展 Jest 的匹配器功能。v13.0.0 简化了这一过程,现在只需导入主库即可自动获得所有匹配器扩展。这一改进减少了样板代码,使测试文件更加简洁。
性能优化:移除主机组件名称自动检测
为了提高测试执行速度,v13.0.0 移除了主机组件名称的自动检测功能。在 React Native 中,主机组件指的是平台原生组件(如 View、Text 等)的 React 封装。之前的版本会在运行时尝试确定这些组件的具体类型,现在这一过程被简化,从而提升了测试的整体性能。
重大变更与移除功能
可访问性查询的调整
移除了 *ByA11yState 和 *ByA11yValue 查询方法,推荐使用以下替代方案:
- 使用
*ByRole查询方法,这是更符合 WAI-ARIA 标准的做法 - 使用
toHaveAccessibilityState和toHaveAccessibleValue匹配器进行断言
这一变化促使开发者采用更标准化的可访问性测试方式,与 Web 领域的测试实践保持一致。
依赖项调整
v13.0.0 放弃了对 React 16 和 17 的支持,现在仅支持 React 18 和 19。这一决策基于以下考虑:
- React 18 引入了并发渲染等重大特性
- 维护旧版本支持会增加代码复杂性
- 鼓励开发者升级到更现代的 React 版本
其他移除项
debug.shallow方法被移除,因为浅渲染在现代 React 测试中的使用场景有限- 移除了专为 React 17 设计的 Jest 预设,现在直接使用标准的
react-native预设即可
内部实现改进
虽然这些变化对大多数用户不可见,但它们提升了库的稳定性和可靠性:
- 重新实现了
flushMicrotaskQueue,微任务队列的处理更加准确 - 改进了可访问性标签的计算方式,结果更加一致
- 使用 React 自身的
act实现替代了 React Test Renderer 的版本,行为更加一致
迁移建议
对于计划升级到 v13.0.0 的开发者,建议:
- 首先确保项目使用的是 React 18 或 19
- 检查测试中是否使用了被移除的 API,并按照推荐方式替换
- 验证并发渲染是否会影响现有测试逻辑
- 移除不必要的
extend-expect导入
这次升级虽然包含了一些突破性变化,但整体上使测试库更加现代化、性能更好,并且与 React 的最新特性保持同步。对于新项目,直接采用 v13.0.0 将获得最佳体验;对于现有项目,按照迁移指南逐步升级可以平滑过渡。
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