当前位置: 首页 > news >正文

TDD in HTML JavaScript 概述

谈到应用程序的UI,其实包括两个方面的内容:一方面是纯图形的look & feel;另一方面,则是用户和应用程序的交互。用户和应用程序的交互往往同时导致图形界面的变化,并且,转换到新的交互行为。

由于工作实践中主要是基于WEB的HTML和JavaScript的项目,这里对TDD in UI的讨论,将focus在基于HTML和JavaScript的UI。

同时,一般来讲,WEB程序的表现层主要有客户端代码和服务端代码,而服务端代码,相对来说,更容易被测试。所以,本文讨论的重点,主要focus在客户端代码。换句话说,这里讨论的TDD in HTML & JavaScript指的是对于客户端的HTML和JavaScript的TDD。

TDD in HTML & JavaScript 之可行性

说到可行性,其实可以分两个层面:理论上的可行性,和实际应用的可行性。

第一个问题是:纯图形的look & feel理论上可以进行自动化的测试吗?答案几乎是否定的。因此,主要用于呈现纯图形的HTML及CSS,也几乎是很难自动化测试的。

那么,用户和应用程序的交互理论上是否可以进行自动化测试呢?答案毫无疑问是肯定的。

WEB交互的测试其实可以根据WEB程序的架构,分为两种类型:

  1. 传统的WEB程序主要基于服务端来呈现内容,用户和页面的交互,主要是get,post数据和页面跳转。因此,对应的测试方式,主要也是由测试工具模拟需要get或post的数据,并且跟踪期望的页面跳转情况。这种情况下的测试其实相对简单,因此本文不想过多讨论。
  2. 当前的基于AJAX的WEB程序则很大程度上丰富了用户和页面交互的方式,用户和页面的交互,除了传统的get,post数据和页面跳转,在页面不刷新的情况下,还通过触发各种DOM事件,甚至直接触发JavaScript方法的执行,由JavaScript来改变和呈现内容。此时,传统的只能模拟需要get或post的数据的测试工具就无能为力了。此时由于所有的逻辑代码都在JavaScript中,所以,本质上其实是需要对大量的JavaScript代码进行测试。此正是本文希望讨论的重点。

首先,针对JavaScript的自动化测试工具其实已经有不少了,如:

  • JsUnitTest
  • QUnit

Mock工具也有:

  • jqMock
  • JSMock

支持直接重构JavaScript代码的工具相对比较少,提供的功能也都还非常弱:

  • IntelliJ IDEA
  • Eclipse

从支持工具的现状,可以说,影响TDD in JavaScript的实际可行性的因素之一是重构工具的缺乏。

不过,最近的情况有了一些改变,现在也出现了一些支持JavaScript重构的变通的解决方案,如:

  • Script# - Write C# code,compile C# source code directly to JavaScript code
  • jsc – Write any .NET code, convert .NET assembly to JavaScript, ActionScript, java or PHP code

这些方案的特点是,利用现有的IDE对流行的编程语言如C#源代码的完善的coding,尤其是强类型,重构和测试的支持,让开发人员写C#,由工具转换为可直接执行的,格式化的JavaScript代码。除了充分利用IDE对流行语言的coding支持之外,这类方案的另一个好处是,相对于高薪聘请Senior的JavaScript开发人员,Junior的C#的开发人员要便宜得多,也易招得多,但得益于Script#,已经足够能用他们熟悉的C#,写出逻辑复杂和OO的JavaScript代码,因此,开发成本被大大降低。

综上所述,TDD in JavaScript不仅理论上是可行,实际应用上,也是有足够的工具支持的。尤其是如Script#这样的工具的出现,极大地提高了JavaScript代码的开发效率。

TDD in JavaScript 之最佳实践

谁都希望能有最佳实践。什么是最佳实践呢?有很多人见不得“best”,“最”这样的词,认为,这个世界上没有“最”的东西。有吗?当然有!我们首先要略为上升到哲学的高度,对于包含“最”这样的词汇的命题,如果想要为“真命题”,则必然是需要加上一个适当的前提条件的。

比如说:我说“我是这世界上最NB的人”。这毫无疑问是个假命题。因为,缺乏适当的前提条件。你可以自己做个练习,如果觉得这个命题假,想办法给它加上更多的前提条件,一定能让它变真。

所以,所谓最佳实践,指的是,对一个或者一类特定的问题,在一个相对确定的背景下,所能采取的实际处理的方案典范。加上前提条件,则“最佳实践”当然是存在的,也是值得讨论的。

通过前面的章节,我们已经把本文重点讨论的主题,限制到一个相对小的范围,那就是对基于AJAX的WEB应用程序中的大量的JavaScript代码,如何进行TDD?

并且,我们也收集了足够的支持TDD需要的各种工具,包括自动化测试工具,Mock工具和重构工具。在这些工具的支持下,很大程度上,WEB程序客户端JavaScript代码的TDD和服务端代码的TDD,不应该有很大的区别。但同时,由于客户端代码的特殊性,自然也应该有一些客户端脚本代码所特有的实践模式。

以下首先列出本人推荐的一些实践模式,希望大家能一起修正和补缺。

最佳实践一:应用MVC模式

在传统的非AJAX的WEB程序中,JavaScript往往处于非常辅助性的地位。除了实现一些特效和数据验证等辅助功能之外,一个页面的JavaScript代码,恐怕屈指可数,自然无所谓测试,甚至是TDD了。

但是在现在的复杂的AJAX应用中,以往必须由多个独立页面的get,post和页面跳转才能组合实现的功能,通过JavaScript,可以在一个无需刷新浏览器的页面中,轻易实现,不但用户体验更佳,速度更快,对服务器的负担也更小。

此时,原本传统WEB程序的服务端需要处理的问题,如数据绑定,事件绑定,逻辑控制等,需要在客户端进行处理。也因此,原本为了解决WEB程序服务端代码可测试性问题MVC模式,也就一样可以良好的应用于客户端。清晰的将JavaScript代码分割成M,V,C,将能够把相同的逻辑职责尽可能集中到一起来管理,从而极大地增加客户端代码的可维护性和可测试性。

下表简单对比服务端和客户端MVC下M,V,C的对应职责:

Model

View

Controller

Server Side返回用于呈现页面内容的数据的 Domain Objects代表了一个页面的抽象,包括页面的内容呈现,数据,事件定义处理View上触发的事件,获取数据,更新View上的数据,触发View的内容呈现
Client Side返回 JSON 数据的 Restful Services同上同上
最佳实践二:应用依赖注入和IoC容器

应用MVC模式,本质上是抽象的逻辑职责上的解耦。而依赖注入和IoC容器则是代码的物理依赖性上的解耦。尽可能的利用构造器注入,设值注入,接口注入或IoC容器来解除具体的实现类之间的直接依赖,自然就能极大的大提高每个具体的实现类的可测试性。

最佳实践三:应用模板引擎呈现主体内容

AJAX应用中的一个需要客户端呈现的View,必然需要呈现一些HTML,这些HTML往往需要根据Model返回的JSON数据动态构造。一般来讲,我们会有三种方式来构造和呈现这些HTML:

  • 在JavaScript中遍历JSON数据,拼接HTML字符串,呈现到页面上;
  • 在JavaScript中遍历JSON数据,动态实例化DOM对象,通过DOM对象的方法,呈现HTML的DOM;
  • 通过如JTemplate这样的JavaScript模板引擎,将JSON数据绑定到一个HTML模板,由模板引擎呈现最终的HTML;
http://www.jsqmd.com/news/1131610/

相关文章:

  • 创业资源丰富的国内EMBA权威综合实力TOP5榜单
  • CSRF详解
  • Scala的偏函数与模式匹配
  • FaceNet 128维嵌入实战:Python + TensorFlow 2.x 实现 99.4% 准确率人脸验证
  • 大型系统的依赖管理与解耦
  • AI 架构能力——新一代架构图绘制方法论
  • CIFAR-10图像分类项目:PyTorch Lightning重构60分钟教程的5个效率提升点
  • 国内EMBA QS排名:2026顶尖EMBA项目综合实力评测榜
  • ArcGIS 用地适宜性评价:3个常见权重赋值误区与AHP层次分析法校正
  • 2026最新1款免费学生党平替AI原生IDE vibe coding权威实测实战指南
  • UE5学习
  • 百度翻译 JS 逆向 2024:3步定位 sign 加密函数与 Python execjs 调用实战
  • 松下伺服电子齿轮比计算:从脉冲当量到参数设置的 3 个实战案例
  • Python单元测试自动化:Auger工具原理、实战与在遗留系统中的应用
  • YOLOv1 损失函数代码实现:从公式到 PyTorch 5 大组件拆解与调试
  • Node-RED 2.3+ 安全加固实战:5步配置HTTPS与用户鉴权,告别1880裸奔
  • CAP中的强一致性模型与最终一致性权衡
  • 函数式编程思想在集合操作中的体现
  • 2026 AI工程师路线图:从RAG到MCP的生产级实践
  • TCN 时间卷积网络 PyTorch 实战:4层残差块构建时序预测模型(附完整代码)
  • 精准错误消息设计:可读、可追溯、可操作、可防御的四维实践
  • 高速PCB设计实战:6层板叠层与阻抗控制,误差控制在±5%以内
  • 惩罚Logistic回归:从梯度下降到坐标下降的3种求解算法实现
  • 2026年最值得用的8个AI写作辅助平台,半天搞定万字论文!
  • 基于Python的TikTok Shop图片批量抠图方案
  • 免费BT下载加速终极指南:用trackerslist让下载速度提升300%
  • VGG16 特征提取实战:小数据集猫狗分类 89% 准确率,仅训练 32 轮
  • WAF 规则优化:利用 User-Agent 指纹库拦截 90% 自动化攻击流量
  • 基于EtherCat全总线方案的8轴喷涂拖拽示教方案
  • GeoTools 入门实战(一):Shapefile 读取与写入全解析