BlockNote代码块功能优化:如何减少语言支持带来的包体积膨胀
在富文本编辑器BlockNote中,代码块功能是其核心特色之一。该功能基于Shiki语法高亮库实现,支持多种编程语言的语法高亮显示。然而,随着支持语言的增加,这可能会带来显著的包体积膨胀问题,影响应用的加载性能。
问题背景
BlockNote默认会包含大量编程语言的语法高亮支持,这些语言文件会被打包到最终的生产构建中。虽然这些资源是按需加载的,但它们仍然会增加部署包的整体大小。对于需要优化部署体积或对资源使用有严格限制的应用来说,这是一个需要解决的问题。
解决方案
目前有两种主要方法可以优化这一问题:
1. 使用构建工具配置排除特定语言
对于使用Rollup或Webpack等模块打包工具的项目,可以通过配置external选项来排除不需要的语言文件。例如,在Vite配置中可以这样设置:
export default defineConfig({
build: {
rollupOptions: {
external: (source) => {
// 排除JavaScript语言支持
if(source.includes("shiki/dist/langs/javascript")) {
return true;
}
return false;
}
}
}
})
这种方法需要开发者明确知道要排除哪些语言文件,并且需要配合BlockNote的代码块配置一起使用。
2. 自定义代码块支持的语言列表
BlockNote提供了customizeCodeBlockAPI,允许开发者精确控制支持哪些编程语言。配置示例如下:
const schema = BlockNoteSchema.create({
blockSpecs: {
...defaultBlockSpecs,
codeBlock: customizeCodeBlock({
defaultLanguage: "javascript",
supportedLanguages: [
{
id: "javascript",
match: ["javascript", "js"],
name: "JavaScript",
},
{
id: "typescript",
match: ["typescript", "ts"],
name: "TypeScript",
}
],
}),
},
});
这种方式不仅减少了不必要的语言支持,还能自定义语言的显示名称和匹配别名。
深入优化建议
-
主题优化:除了语言文件外,Shiki的主题文件也会增加包体积。可以考虑排除未使用的主题文件。
-
默认语言集合:BlockNote可以考虑提供一个默认语言集合的导出,方便开发者基于默认集合进行过滤,而不是从头开始配置。
-
类型增强:当前API支持
SupportedLanguageConfig类型,未来可以考虑同时支持简单的字符串ID形式,降低使用门槛。
实施注意事项
-
确保使用的BlockNote版本包含相关优化(如#1219合并后的版本)。
-
排除语言文件后,需要通过
customizeCodeBlock明确配置支持的语言列表,否则可能导致功能异常。 -
对于团队项目,建议将代码块配置集中管理,避免散落在多处。
通过以上优化措施,开发者可以在保留BlockNote强大代码块功能的同时,有效控制最终打包体积,实现性能与功能的平衡。
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