Playwright-dotnet v1.51.0版本发布:增强存储状态管理与元素过滤能力
Playwright-dotnet作为微软推出的跨浏览器自动化测试框架,为.NET开发者提供了强大的端到端测试能力。最新发布的v1.51.0版本带来了一系列实用的新特性,特别是在浏览器状态管理和元素定位方面有了显著增强。
核心特性解析
1. IndexedDB存储状态支持
IndexedDB是浏览器中用于存储大量结构化数据的API,许多现代Web应用(如使用Firebase认证的应用)都依赖它来保存关键数据。v1.51.0版本新增了对IndexedDB的存储状态支持,使得测试脚本能够完整保存和恢复应用状态。
开发者现在可以通过BrowserContext.StorageStateAsync方法将IndexedDB数据与cookie、localStorage等一起保存到文件中,然后在新的浏览器上下文中恢复这些数据。这一特性特别适合需要处理复杂认证流程的应用测试场景。
2. 可见元素过滤功能
在UI自动化测试中,经常需要区分页面上可见和不可见的元素。新版本为Locator.Filter方法增加了Visible选项,使开发者能够轻松筛选出当前可见的元素。
这一改进使得测试断言更加精确,避免了因隐藏元素导致的误判。例如,在测试待办事项列表时,可以只针对可见项进行计数验证,确保测试结果与实际用户可见的界面保持一致。
3. 对比度媒体特性模拟
为了提升无障碍测试能力,v1.51.0新增了对比度媒体特性的模拟支持。通过page.emulateMedia方法和Browser.NewContextAsync的Contrast选项,开发者可以测试应用在不同对比度偏好下的表现,确保应用的可访问性符合标准。
4. API请求状态码控制
对于使用APIRequestContext进行HTTP请求的场景,新增的FailOnStatusCode选项可以自动将非2xx/3xx的响应视为错误。这一特性简化了API测试中的错误处理逻辑,使测试代码更加简洁。
实际应用示例
IndexedDB状态保存与恢复
// 保存包含IndexedDB的完整状态
await context.StorageStateAsync(new()
{
Path = "auth_state.json",
IndexedDB = true
});
// 使用保存的状态创建新上下文
var newContext = await browser.NewContextAsync(new()
{
StorageStatePath = "auth_state.json"
});
可见元素过滤
// 只获取可见的待办事项
var visibleTodos = page.GetByTestId("todo-item").Filter(new() { Visible = true });
await Expect(visibleTodos).ToHaveCountAsync(3);
浏览器兼容性
v1.51.0版本基于以下浏览器引擎:
- Chromium 134.0.6998.35
- Firefox 135.0
- WebKit 18.4
同时,该版本也已针对Chrome 133和Edge 133等稳定版浏览器进行了充分测试。
升级建议
对于正在使用Playwright-dotnet进行自动化测试的团队,特别是那些需要处理复杂认证状态或严格可见性验证的场景,建议尽快升级到v1.51.0版本。新特性将显著提升测试的可靠性和表达能力,同时简化测试代码的编写。
对于无障碍测试需求的团队,新的对比度模拟功能也为验证应用的可访问性提供了更全面的支持。
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