UnoCSS中CountableSet构造函数参数失效问题解析
2025-05-12 14:33:29作者:温玫谨Lighthearted
问题背景
在UnoCSS核心库中,CountableSet是一个用于统计元素出现次数的数据结构实现。该数据结构继承自JavaScript原生Set,并扩展了计数功能。然而,开发者发现当使用带参数的构造函数时,计数功能会出现异常。
问题现象
当开发者尝试以下代码时:
import { CountableSet } from '@unocss/core';
const set = new CountableSet(['foo']);
console.log('[set]', set);
console.log('[count]', set.getCount('foo'));
预期输出应该是计数为1,但实际输出显示计数为0:
[set] CountableSet(1) [Set] { 'foo', _map: Map(0) {} }
[count] 0
技术分析
问题根源
问题的核心在于CountableSet类的实现方式。该类继承自Set,并添加了一个_map属性用于存储元素计数。关键实现代码如下:
export class CountableSet<K = any> extends Set<K> {
_map: Map<K, number> = new Map()
constructor(items?: Iterable<K>) {
super()
if (items)
for (const item of items)
this.add(item)
}
add(value: K) {
this._map.set(value, (this._map.get(value) || 0) + 1)
return super.add(value)
}
}
类字段初始化问题
问题出在类字段初始化与构造函数执行的时序上。根据ECMAScript规范,类字段初始化发生在构造函数执行之后。这意味着:
- 首先执行父类Set的构造函数
- 然后执行CountableSet的构造函数体
- 最后才初始化
_map字段
因此,当构造函数尝试通过add方法添加元素时,_map尚未初始化,导致计数无法正常工作。
TypeScript编译差异
这个问题在不同编译环境下表现不同:
- 在Vitest测试环境中,由于TypeScript的
useDefineForClassFields: false选项,类字段会被转换为构造函数内的赋值,因此可以正常工作 - 在生产环境中,使用标准类字段语义编译,就会出现上述时序问题
- 在使用oxc转换器时,即使测试环境也会出现问题
解决方案
推荐修复方式
最可靠的解决方案是将_map的初始化移到构造函数中:
export class CountableSet<K = any> extends Set<K> {
_map: Map<K, number>
constructor(items?: Iterable<K>) {
super()
this._map = new Map()
if (items)
for (const item of items)
this.add(item)
}
}
这种方式确保了_map在调用add方法前已经初始化,且不受编译选项影响。
其他注意事项
- 在实际使用中,UnoCSS内部并未使用带参数的构造函数,因此该问题可能长期未被发现
- 类继承时,特别是继承原生类时,需要特别注意初始化顺序问题
- 测试覆盖率应包含各种构造函数使用场景
总结
这个问题展示了JavaScript类继承和字段初始化顺序的微妙之处。在扩展原生类时,开发者需要特别注意初始化时序问题。通过将字段初始化明确放在构造函数中,可以避免因编译环境差异导致的行为不一致问题。这也提醒我们在设计类时,需要考虑不同JavaScript运行环境和编译设置下的行为一致性。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146