Lila项目中用户选择样式的最佳实践
2025-05-13 21:43:12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
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
热门内容推荐
最新内容推荐
绝杀 Tauri/Pake Mac 打包报错:`failed to run xattr` 的底层逻辑与修复方案避坑指南:Pake 打包网页为何“高级功能失效”?深度解析拖拽与下载的底层限制Tauri/Pake 体积极限优化:如何把 12MB 的应用无情压榨到 2MB 以内?受够了 100MB+ 的套壳 App?最强 Electron 替代方案 Pake 深度测评与原理解析告别臃肿积木!用 Pake 1 分钟把任意网页变成 3MB 桌面 App(附国内极速环境包)智能票务抢票系统:突破手动抢票瓶颈的效率革命方案如何利用Path of Building PoE2高效规划流放之路2角色构建代码驱动的神经网络可视化:用PlotNeuralNet绘制专业架构图whisper.cpp CUDA加速实战指南:让语音识别效率提升6倍的技术解析Windows 11系统PicGo高效解决安装与更新全流程指南
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
663
4.27 K
deepin linux kernel
C
28
15
Ascend Extension for PyTorch
Python
506
612
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++
941
868
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
394
292
暂无简介
Dart
911
219
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
894
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
124
198
昇腾LLM分布式训练框架
Python
142
168
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
1.07 K
557