TanStack Virtual 在 iOS 16 以下版本的滚动边界处理问题
在 React 虚拟滚动库 TanStack Virtual 的使用过程中,开发者可能会遇到一个与 iOS 浏览器滚动行为相关的特殊问题。这个问题主要出现在 iOS 16 以下版本的设备上,表现为当用户滚动到容器边缘时会出现异常的反弹动画效果。
问题现象
当在 iOS 16 以下版本的浏览器中使用 TanStack Virtual 进行水平或垂直虚拟滚动时,如果用户尝试滚动超过容器的边界(即尝试滚动到内容开始之前或结束之后),会出现不自然的反弹动画。具体表现为滚动位置会突然跳回边界值,导致用户体验不佳。
问题根源
这个问题源于 iOS 16 以下版本浏览器对滚动行为的特殊处理机制。在这些版本的 Safari 中,当滚动超过边界时,浏览器会强制触发一个反弹效果,这会导致虚拟滚动库的偏移量计算出现异常,进而引发重新渲染和布局重排。
解决方案
TanStack Virtual 提供了 observeElementOffset 配置项,允许开发者自定义滚动偏移量的观察行为。我们可以利用这个配置项来限制滚动偏移量始终保持在有效范围内,从而避免 iOS 的边界反弹问题。
以下是推荐的解决方案实现:
const virtualizer = useVirtualizer({
horizontal: true,
count,
getScrollElement: () => parentRef.current,
estimateSize: () => 100,
overscan: 6,
observeElementOffset: (instance, cb) =>
observeElementOffset(instance, (offset, isScrolling) =>
cb(
Math.max(
0,
Math.min(
offset,
instance.options.horizontal
? instance.scrollElement.scrollWidth -
instance.scrollElement.clientWidth
: instance.scrollElement.scrollHeight -
instance.scrollElement.clientHeight
)
),
isScrolling
)
});
实现原理
这个解决方案的核心在于对滚动偏移量进行钳制处理:
-
获取当前滚动方向(水平或垂直)的最大允许偏移量
- 水平方向:
scrollWidth - clientWidth - 垂直方向:
scrollHeight - clientHeight
- 水平方向:
-
使用
Math.max(0, Math.min(offset, maxOffset))确保偏移量始终在 0 到最大允许值之间 -
将处理后的偏移量传递给原始回调函数
这种方法有效地阻止了 iOS 浏览器在边界处的异常反弹行为,同时保持了虚拟滚动的正常功能。
注意事项
-
此解决方案主要针对 iOS 16 以下版本,现代浏览器通常不需要这种处理
-
在使用自定义
observeElementOffset时,需要确保正确处理isScrolling参数,避免在初始化时错误地标记为滚动状态 -
对于复杂的虚拟滚动场景,可能需要根据实际需求调整钳制逻辑
通过这种处理方式,开发者可以在保持 TanStack Virtual 高性能特性的同时,解决 iOS 旧版本浏览器中的滚动边界问题,提供更流畅的用户体验。
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