cordova-plugin-local-notifications v1.1.4版本更新解析
项目简介
cordova-plugin-local-notifications是一个流行的Cordova插件,用于在移动应用中实现本地通知功能。该插件支持Android和iOS平台,允许开发者通过JavaScript API创建、管理和触发本地通知。v1.1.4版本主要针对Android平台进行了多项重要改进和错误修复,特别是在通知触发机制和恢复功能方面。
核心改进内容
通知恢复机制的完善
本次更新修复了从旧插件版本恢复通知时的问题。在之前的版本中,当应用更新到新插件版本时,如果存在已调度的通知,可能会出现以下问题:
- 通知触发时没有声音
- 总是使用默认的小图标(smallIcon)
这些问题源于旧属性仅在JavaScript层面进行了修正,而没有在Java代码中同步处理。v1.1.4版本通过在Java层面对这些属性进行正确处理,确保了通知恢复时的完整功能。
触发机制的全面重构
v1.1.4版本对Android平台的触发机制进行了重大重构,主要改进包括:
-
DateTrigger初始化优化:将occurrence初始值从1改为0,更符合逻辑计数方式。
-
触发计数处理改进:当设置了
trigger.count时,不再一次性调度所有出现次数,而是采用逐个调度的方式,与未设置trigger.count时的行为保持一致。 -
重复通知调度优化:修复了重复通知调度时取消先前已发布通知的问题。现在,当调度下一个通知时,不会取消之前已发布的通知,确保了通知序列的完整性。
-
触发日期精确恢复:能够精确恢复触发日期,保持与恢复前完全一致的状态。
-
单位参数容错处理:当使用
trigger: {in: xxx, unit: 'xxx'}格式时,如果unit值设置错误,现在会默认使用minute作为单位,提高了代码的健壮性。
重复触发计算的修正
本次更新修复了一个重要的计算错误:在计算下一个trigger.every触发时间时,第二个及后续的出现次数计算存在错误。问题根源在于计算基础日期使用了当前时间而非上一次触发的日期。新版本通过在Android的SharedPreferences中保存触发日期,并在计算下一次触发时恢复该日期,确保了时间计算的准确性。
事件触发机制的完善
v1.1.4版本改进了事件触发机制:
-
精确的事件触发:现在只有当通知成功调度时才会触发
add事件,避免了错误情况下不必要的事件触发。 -
确保事件触发:修复了在某些情况下
clear或cancel事件可能不被触发的问题,现在这些事件会在通知被清除或取消时始终触发。
代码架构改进
本次更新对代码结构进行了多项优化:
-
MatchTrigger重构:优化了用于
trigger: every { minute: xx, hour: xx, ...}的MatchTrigger实现。 -
简化请求处理:移除了
Request.java,直接在Notification中使用DateTrigger,在创建Notification时初始化适当的DateTrigger。 -
构建器模式改进:将
Builder重命名为BuilderCreator,并直接在Notification中设置构建器,不再从构建器创建通知。
文档改进
除了代码改进外,v1.1.4版本还更新了文档,特别是关于trigger属性的说明,使开发者能够更清晰地理解和使用各种触发选项。
总结
cordova-plugin-local-notifications v1.1.4版本通过多项重要改进,显著提升了Android平台上本地通知的可靠性和功能完整性。特别是对触发机制的全面重构和通知恢复功能的完善,解决了多个长期存在的问题,为开发者提供了更加稳定和强大的本地通知解决方案。这些改进使得该插件在复杂通知场景下的表现更加可靠,特别是在处理重复通知和精确触发时间计算方面有了质的提升。
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