Playwright Java v1.51.0 版本发布:增强存储状态管理与元素过滤能力
Playwright 是一个现代化的跨浏览器自动化测试框架,支持 Chromium、Firefox 和 WebKit 内核的浏览器。Playwright Java 是其 Java 语言绑定版本,为 Java 开发者提供了强大的浏览器自动化能力。最新发布的 v1.51.0 版本带来了一系列实用功能增强,特别是在存储状态管理和元素过滤方面有了显著改进。
核心功能更新
1. IndexedDB 存储状态支持
在 Web 应用开发中,IndexedDB 是一种常用的客户端存储方案,许多现代应用(如使用 Firebase 认证的应用)会利用它来保存认证令牌等重要数据。v1.51.0 版本新增了对 IndexedDB 存储状态的保存与恢复支持。
开发者现在可以通过 browserContext.storageState() 方法的 setIndexedDB 选项来保存 IndexedDB 数据,并在创建新上下文时恢复这些数据。这一功能极大简化了需要持久化 IndexedDB 数据的测试场景,特别是涉及用户认证流程的测试用例。
// 保存包含 IndexedDB 的存储状态
context.storageState(new BrowserContext.StorageStateOptions()
.setPath(Paths.get("state.json"))
.setIndexedDB(true));
// 使用保存的状态创建新上下文
BrowserContext context = browser.newContext(new Browser.NewContextOptions()
.setStorageStatePath(Paths.get("state.json")));
2. 可见元素过滤功能
在元素定位和操作中,经常需要区分可见和不可见元素。新版本为 locator.filter() 方法增加了 setVisible 选项,使开发者能够轻松筛选出可见元素。
// 只匹配可见的待办事项项
Locator todoItems = page.getByTestId("todo-item")
.filter(new Locator.FilterOptions().setVisible(true));
// 验证可见项数量
assertThat(todoItems).hasCount(3);
这一功能特别适用于动态加载内容的页面测试,可以避免与隐藏元素交互导致的测试失败。
3. 对比度媒体特性模拟
为提升可访问性测试能力,新版本增加了对 prefers-contrast 媒体特性的模拟支持。开发者可以通过 page.emulateMedia() 或 browser.newContext() 的 setContrast 选项来模拟不同对比度偏好设置,测试应用在高对比度模式下的表现。
4. API 请求状态码检查
对于使用 APIRequestContext 进行的 HTTP 请求,新增的 setFailOnStatusCode 选项可以自动检查响应状态码,当遇到非 2xx 和 3xx 状态码时抛出异常。这一功能简化了 API 测试中的错误处理逻辑,使测试代码更加简洁。
浏览器版本支持
v1.51.0 版本支持以下浏览器引擎版本:
- Chromium 134.0.6998.35
- Mozilla Firefox 135.0
- WebKit 18.4
同时,该版本也已通过 Google Chrome 133 和 Microsoft Edge 133 稳定版的兼容性测试。
总结
Playwright Java v1.51.0 版本通过增强存储状态管理和元素过滤能力,进一步提升了测试开发的效率和可靠性。特别是对 IndexedDB 的支持,解决了现代 Web 应用中客户端存储状态持久化的测试难题。这些新功能使 Playwright 在复杂 Web 应用的自动化测试场景中表现更加出色,为开发者提供了更强大的工具来构建稳定、可维护的测试套件。
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