MkDocs Material 中实现长折叠内容块顶部固定标题的技巧
在 MkDocs Material 文档系统中,折叠内容块(Collapsible Admonitions)是一种常用的内容组织方式。但当内容较长时,用户需要滚动回顶部才能折叠内容,这带来了不便。本文将介绍如何通过 CSS 技巧实现标题固定效果,提升长内容折叠块的用户体验。
问题背景
MkDocs Material 的折叠内容块功能允许用户点击标题展开或折叠详细内容。然而,当内容较长时,用户阅读到页面底部后,必须手动滚动回顶部才能再次折叠内容。这在查看长代码示例或详细说明时尤为不便。
解决方案
通过添加少量 CSS 代码,我们可以实现标题的固定效果:
.md-typeset summary {
position: sticky;
top: 48px;
z-index: 1;
backdrop-filter: blur(10px);
}
这段代码实现了以下效果:
position: sticky使标题在滚动时保持固定top: 48px设置标题固定在距顶部 48px 的位置(适应 Material 主题的导航栏高度)z-index: 1确保标题层叠在内容之上backdrop-filter: blur(10px)添加毛玻璃效果,增强可读性
进阶用法
针对特定类型的内容块
如果只需要对特定类型的内容块应用此效果,可以使用更精确的选择器:
.md-typeset .admonition-type > summary {
/* 同上样式 */
}
或者通过添加自定义类名:
.md-typeset .sticky-header > summary {
/* 同上样式 */
}
然后在 Markdown 中使用:
??? note sticky-header
这里的内容会很长...
当用户滚动时,标题将保持固定
响应式考虑
对于移动设备,可能需要调整固定位置:
@media screen and (max-width: 76.1875em) {
.md-typeset summary {
top: 0; /* 移动设备上导航栏可能不同 */
}
}
实现原理
-
粘性定位(Sticky Positioning):
position: sticky是 CSS 中一种特殊的定位方式,元素在视口中时表现为相对定位,当滚动到阈值时变为固定定位。 -
层叠上下文(Stacking Context):通过
z-index确保标题始终显示在内容上方,避免被其他元素遮挡。 -
视觉优化:
backdrop-filter属性创建的毛玻璃效果,既能保持标题可读性,又不完全遮挡下方内容,提供良好的视觉连续性。
注意事项
-
浏览器兼容性:
backdrop-filter在一些旧版本浏览器中可能不支持,可以考虑添加background-color: rgba(var(--md-default-bg-color), 0.7)作为回退方案。 -
性能影响:过多使用
position: sticky和backdrop-filter可能对页面滚动性能产生影响,建议仅在确实需要的长内容块上应用。 -
主题更新:当升级 MkDocs Material 主题时,可能需要重新检查这些自定义样式是否仍然适用。
通过这种简单而有效的 CSS 技巧,可以显著提升 MkDocs Material 文档中长折叠内容块的用户体验,使读者能够随时访问折叠控制,而无需费力地滚动回页面顶部。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00