karma-browserify - 快速高效的浏览器端测试解决方案
karma-browserify 是一个专为 Karma 设计的高效 Browserify 集成插件,它能轻松处理大规模的前端项目,并且支持快速的自动重载功能。
安装与使用
要获取这个插件,可以通过 npm 进行安装,同时还需要安装 browserify 和 watchify,用于自动化构建和监视文件变化。
npm install --save-dev karma-browserify browserify watchify
在你的 Karma 配置文件中添加 browserify 作为框架,并配置相应的预处理器。
module.exports = function(karma) {
karma.set({
frameworks: [ 'browserify', 'jasmine' ],
files: ['test/**/*.js'],
preprocessors: {
'test/**/*.js': [ 'browserify' ]
},
browserify: {
debug: true,
transform: [ 'brfs' ]
}
});
}
查看 示例目录 获取一个简单的结合了 browserify 和 jasmine 的测试项目实例。
功能特性
浏览器ify配置
你可以直接通过 Karma 的 browserify 属性来配置测试捆绑包。所有的 browserify 配置选项都可以在这里设置。
例如,为了生成源码映射便于调试:
browserify: {
debug: true
}
以下三个属性不会直接传递给 browserify:
- 转换(Transforms)
- 插件(Plugins)
- 额外的捆绑配置(Additional Bundle Configuration)
转换(Transforms)
如果你使用 CoffeeScript, JSX 或其他工具,需要在打包前转换源文件,可以指定 browserify 转换器(transform)。
browserify: {
transform: [ 'reactify', 'coffeeify', 'brfs' ],
extensions: ['.js', '.jsx', '.coffee'] // 别忘了注册扩展名
}
插件(Plugins)
browserify 插件 支持同样的语法。
browserify: {
plugin: [ 'stringify' ]
}
额外的捆绑配置(Additional Bundle Configuration)
你可以在 configure 函数里进行进一步的捆绑配置,该函数会接收一个 browserify 实例作为参数。这非常适用于配置如 externals 这样的需求:
browserify: {
configure: function(bundle) {
bundle.on('prebundle', function() {
bundle.external('foobar');
});
}
}
Watchify 配置
你可以通过 config.watchify 来配置底层的 watchify,以便对文件变更检测进行微调。
watchify: {
poll: true
}
工作原理
karma-browserify 是一个 Karma 预处理器,将测试文件和依赖合并到一个 browserify 捆绑包中。它利用 watchify 在 autoWatch=true 时生成并更新捆绑包。初始运行时,我们为所有测试用例和依赖创建一个捆绑包。一旦有文件改变,它就会增量地更新捆绑包。每个被 Karma 加载的文件都会通过一个存根在捆绑包中引入,确保测试在每次运行时只执行一次。
全面配置
下面是一个包含所有 browserify 相关选项的 Karma 配置示例:
module.exports = function(karma) {
karma.set({
frameworks: [ 'browserify', 'jasmine' ],
files: [
'some-non-cjs-library.js',
'test/**/*.js'
],
preprocessors: {
'test/**/*.js': [ 'browserify' ]
},
logLevel: 'LOG_DEBUG',
autoWatch: true,
browserify: {
debug: true,
transform: [ 'brfs' ],
configure: function(bundle) {
bundle.on('prebundle', function() {
bundle.external('foobar');
});
}
}
});
};
相关项目
karma-browserify 建立在原本的 karma-browserify 和 karma-browserifast 之上,吸取了它们的经验教训,提供了更完善的可配置性,更快的速度以及处理大型项目的能力。
维护者
由 Ben Drucker 和 Nico Rehwaldt 主导维护。
许可证
本项目遵循 MIT 开源许可证。
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