Lila项目中用户选择样式的最佳实践
2025-05-13 21:33:11作者:魏献源Searcher
背景介绍
在Web开发中,控制用户对页面元素的文本选择行为是一个常见的需求。lichess-org的开源项目Lila(一个国际象棋服务器)的开发团队最近讨论了如何统一处理CSS中的user-select属性。
技术要点
user-select属性解析
user-select是一个CSS属性,用于控制用户是否能够选择文本。它有以下常用值:
none:禁止用户选择文本text:允许用户选择文本all:允许用户一键选择整个元素内容
在早期WebKit浏览器中,这个属性需要添加-webkit-前缀才能正常工作。虽然现代浏览器已经普遍支持无前缀的标准属性,但为了兼容性考虑,很多项目仍然保留前缀版本。
Lila项目的改进
Lila项目团队决定将所有直接使用user-select: none的代码替换为使用预定义的@include prevent-select混合宏。这种改进带来了几个优势:
- 代码一致性:统一了项目中禁止文本选择的实现方式
- 维护便利:只需修改一处定义即可全局调整行为
- 兼容性保障:混合宏内部可以处理各种浏览器前缀和标准属性的组合
实现细节
在实际实现中,prevent-select混合宏可能会包含类似以下的CSS代码:
@mixin prevent-select {
-webkit-user-select: none;
-moz-user-select: none;
-ms-user-select: none;
user-select: none;
}
这种封装方式确保了在所有主流浏览器中都能正确禁止文本选择,而不需要开发者在每次使用时都考虑浏览器兼容性问题。
移动端考虑
值得注意的是,开发者在进行这项改进时特别测试了移动端的表现。这是因为移动设备上的文本选择行为有时与桌面端有所不同,特别是在触摸交互方面。确保修改后的样式在移动设备上也能正常工作是非常重要的。
总结
通过将分散的user-select样式声明集中到预定义的混合宏中,Lila项目实现了更好的代码组织和维护性。这种模式也值得其他Web项目借鉴,特别是那些需要处理复杂样式和跨浏览器兼容性的项目。
对于开发者来说,理解何时应该禁止文本选择同样重要。一般来说,对于交互性强的UI元素(如按钮、棋局元素等)禁止文本选择可以提升用户体验,但对于主要内容区域则应保持默认的文本选择能力。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-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。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
638
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
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!
C
1.03 K
469
Ascend Extension for PyTorch
Python
148
175
暂无简介
Dart
604
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
226
81
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310