SurveyJS 项目中的下拉组件无障碍优化实践
在Web开发中,确保应用程序对所有用户都具有良好的可访问性(Accessibility)是至关重要的。SurveyJS作为一个流行的问卷调查库,其团队最近针对下拉组件(Dropdown)和评分量表(Rating Scale)的无障碍支持进行了重要优化。
问题背景
在SurveyJS的早期版本中,开发团队发现下拉组件存在一些无障碍访问方面的问题。具体表现为组件错误地使用了aria-expanded属性,这个属性被应用在了不支持它的HTML元素上。根据WAI-ARIA规范,aria-expanded属性只能用于具有特定角色的元素,如按钮、链接或某些复合控件。
技术分析
下拉组件在SurveyJS中是一个常用控件,它允许用户从预定义的选项列表中选择一个值。在无障碍访问方面,下拉组件需要正确地传达其状态给辅助技术(如屏幕阅读器)。
原实现中存在两个问题点:
- 主下拉输入元素(
sd-input sd-dropdown)错误地设置了aria-expanded属性 - 下拉过滤输入框(
sd-dropdown__filter-string-input)也错误地设置了同一属性
这些不正确的ARIA属性使用会导致屏幕阅读器无法正确解读组件的状态,影响视障用户的使用体验。
解决方案
SurveyJS团队通过以下方式解决了这个问题:
-
属性位置调整:将
aria-expanded属性移动到真正需要它的元素上,通常是触发下拉列表展开/收起的按钮元素 -
角色定义完善:确保所有ARIA属性都与其元素的角色(role)相匹配,遵循WAI-ARIA规范
-
状态同步机制:实现JavaScript逻辑来动态更新
aria-expanded的值,准确反映下拉列表的当前状态(展开或收起)
实现细节
在技术实现上,团队对组件结构进行了重构:
// 重构后的组件结构更符合ARIA规范
<div class="sd-dropdown">
<div class="sd-input" role="combobox" aria-haspopup="listbox">
<input type="text" readonly aria-autocomplete="list">
<button aria-expanded="false">
<!-- 下拉箭头图标 -->
</button>
</div>
<ul class="sd-dropdown__list" role="listbox">
<!-- 选项列表 -->
</ul>
</div>
这种结构更清晰地表达了组件的语义:
- 使用
combobox角色标识这是一个组合控件 - 通过
aria-haspopup表明可以展开列表 - 按钮上的
aria-expanded正确反映了列表状态
对评分量表组件的影响
同样的优化也被应用到了评分量表(Rating Scale)组件上,当评分量表以下拉形式呈现时,它现在也能提供正确的无障碍支持。这确保了SurveyJS中所有类似交互模式的一致性。
总结
这次优化展示了SurveyJS团队对无障碍访问的重视。通过遵循WAI-ARIA规范,他们确保了所有用户,包括使用辅助技术的用户,都能获得良好的使用体验。这也为其他Web开发者提供了一个很好的范例,展示了如何正确处理下拉组件的无障碍支持。
对于开发者来说,在使用SurveyJS构建问卷调查时,现在可以更有信心地确保其应用符合无障碍标准,满足更广泛用户群体的需求。
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