JSDOM 26.0.0版本发布:Canvas升级与Web标准新特性支持
JSDOM是一个在Node.js环境中实现Web浏览器DOM标准的库,它允许开发者在服务器端运行和测试需要DOM环境的JavaScript代码。最新发布的26.0.0版本带来了一些重要的更新和改进,特别是在Canvas支持和Web标准新特性方面。
Canvas依赖升级至v3
本次版本最显著的变更是将Canvas的peer dependency从v2升级到了v3。这是一个破坏性变更,意味着使用JSDOM的项目需要相应更新其Canvas依赖。Canvas库提供了Node.js中的Canvas API实现,这一升级将为开发者带来更好的性能和更完整的API支持。
对于现有项目,升级时需要注意检查与Canvas相关的代码是否兼容v3版本。虽然大多数基础API保持不变,但v3版本引入了一些改进和可能的细微行为变化。
新增AbortSignal.any()方法
26.0.0版本添加了对AbortSignal.any()方法的支持。这个方法是现代JavaScript中AbortController API的一部分,它允许开发者组合多个中止信号,创建一个新的信号,当任何一个输入信号被中止时,这个新信号也会被中止。
这在处理多个可能被取消的异步操作时特别有用。例如,当同时发起多个网络请求并需要统一管理它们的取消逻辑时,AbortSignal.any()可以大大简化代码。
表单关联自定义元素初步支持
JSDOM现在提供了对表单关联自定义元素(form-associated custom elements)的初步支持,特别是使它们可标记(labelable)并支持ElementInternals的labels属性。表单关联自定义元素是Web Components技术的一部分,允许自定义元素像原生表单控件一样参与表单提交和验证。
虽然当前版本尚未支持完整的表单关联回调,但这一更新已经为开发者提供了构建更复杂表单组件的基础。ElementInternals的labels属性特别有用,它可以让自定义元素像原生表单控件一样与<label>元素关联。
底层依赖更新与改进
JSDOM 26.0.0版本还更新了多个关键依赖:
whatwg-url更新增加了URL.parse()支持,提供了更灵活的URL处理能力。cssstyle和rrweb-cssom的更新改进了CSS解析能力,使JSDOM能更准确地处理复杂样式。nwsapi的更新提升了CSS选择器匹配的准确性和性能。parse5的更新修复了<noframes>元素处理和HTML实体解码的相关问题。
这些底层改进虽然不直接暴露为API变化,但显著提升了JSDOM的稳定性和标准兼容性。
JSDOM.fromURL()改进
修复了JSDOM.fromURL()方法的一个重要问题:现在当服务器重定向到无效URL时,该方法会正确地拒绝返回的Promise,而不是导致未捕获的异常。这使得错误处理更加可靠和符合预期。
升级建议
对于现有项目,升级到26.0.0版本时需要注意以下几点:
- 确保Canvas依赖已更新至v3版本
- 检查是否使用了任何可能受底层依赖更新影响的特性
- 考虑利用新的
AbortSignal.any()方法简化异步操作管理 - 如果使用自定义元素,可以开始探索表单关联特性的使用
总体而言,JSDOM 26.0.0版本在保持稳定性的同时,带来了多项有价值的改进和新特性,特别是对现代Web标准的支持更加完善。这些更新使得JSDOM在模拟浏览器环境方面更加准确和强大,为服务器端DOM操作和测试提供了更好的基础。
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