Expensify/App项目中的Apple与Google Wallet集成测试分析
背景介绍
在Expensify/App项目中,开发团队正在实现将虚拟卡添加到Apple Wallet(iOS)和Google Wallet(Android)的功能。这一功能仅限于虚拟卡使用,为项目带来了更便捷的支付体验。
功能测试方案
应用内添加卡片测试流程
-
准备工作:确保用户拥有启用了Expensify Cards功能的工作区,并具备在该工作区发放卡片的权限。
-
测试步骤:
- 以管理员身份创建工作区虚拟卡并分配给自身
- 通过设置菜单进入钱包功能
- 验证卡片详情页是否显示"添加到Apple Wallet"(iOS)或"添加到Google Wallet"(Android)按钮
- 点击按钮触发原生流程并完成添加
- 验证按钮是否被"已添加到Apple Wallet"的状态提示替代
手动添加卡片测试流程
-
准备工作:同上,确保具备虚拟卡发放权限。
-
测试步骤:
- 创建虚拟卡并获取卡片详细信息
- 在钱包应用中手动输入卡片信息
- 验证卡片是否成功添加
- 返回应用验证状态显示是否同步更新为"已添加"提示
测试发现的技术问题
在测试过程中发现了一个值得注意的技术问题:当尝试手动将虚拟卡添加到Apple Wallet时,系统会提示"无法使用此卡"的错误。经过深入分析,发现这可能与以下技术因素有关:
-
卡片状态管理:当通过应用内流程添加时,系统会正确处理卡片激活状态;而手动添加时,后台可能未能正确更新卡片状态。
-
后端通信机制:Apple Wallet直接与发卡机构服务器通信,而手动添加流程可能未能触发必要的状态更新请求。
-
错误处理机制:在某些情况下,系统会显示卡片已被Expensify停用的警告模态框,表明存在状态同步问题。
技术建议与解决方案
基于测试发现的问题,建议从以下方面进行技术优化:
-
状态同步机制:实现更完善的卡片状态同步逻辑,确保无论通过何种方式添加,卡片状态都能正确更新。
-
错误处理改进:优化错误提示信息,提供更明确的指导,帮助用户理解问题原因及解决方案。
-
日志记录增强:加强后台日志记录,便于追踪手动添加流程中的问题节点。
总结
Expensify/App的Wallet集成功能为用户提供了便捷的虚拟卡管理体验。虽然目前存在手动添加流程的技术挑战,但通过应用内添加流程已能提供完整的用户体验。开发团队应重点关注状态同步机制的优化,以确保所有添加方式都能提供一致、可靠的服务。
这一功能的实现展现了Expensify/App在移动支付领域的持续创新,未来随着技术问题的解决,将为用户带来更加无缝的虚拟卡使用体验。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~059CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









