BlockNote项目中自定义行内组件导出值的实现方案
2025-05-29 17:21:07作者:庞眉杨Will
BlockNote
A "Notion-style" block-based extensible text editor built on top of Prosemirror and Tiptap.
在基于BlockNote编辑器进行二次开发时,开发者经常需要实现自定义的行内组件,并控制其导出格式。本文将以实现一个@mention功能为例,深入讲解如何通过createReactInlineContentSpec创建自定义组件,并实现渲染内容与导出内容的差异化处理。
核心需求分析
在实际业务场景中,我们通常需要:
- 在编辑器中显示友好的用户标识(如@username)
- 导出时转换为特定的数据格式(如)
- 保持编辑体验与数据存储的分离
技术实现详解
1. 创建自定义Mention组件
通过createReactInlineContentSpec定义组件规范:
const Mention = createReactInlineContentSpec({
type: "mention",
propSchema: {
path: { default: "No path" }, // 显示用名称
data: { default: "No data" } // 实际存储数据
},
content: "none"
}, {
render: ({ inlineContent }) => (
<span style={{ backgroundColor: "#8400ff33" }}>
@{inlineContent.props.path}
</span>
)
});
关键点说明:
- propSchema定义了两个属性:path用于显示,data用于存储
- content设置为"none"表示这是不可编辑的原子组件
- render方法控制可视化呈现,这里添加了背景色突出显示
2. 自定义Markdown导出逻辑
BlockNote默认的blocksToMarkdownLossy可能无法满足定制需求,需要手动实现转换:
const customExporter = (blocks) => blocks.reduce((acc, block) => {
let content = "";
// 处理标题块
if (block.type === "heading") {
content += "#".repeat(block.props.level) + " ";
}
// 处理行内内容
content += block.content?.reduce((str, inline) => {
if (inline.type === "text") return str + inline.text;
if (inline.type === "mention") return str + `<${inline.props.data}>`;
return str;
}, "") || "";
return acc + content + "\n\n";
}, "");
转换逻辑特点:
- 保持标题的Markdown语法(#号数量对应级别)
- 普通文本直接输出
- Mention组件转换为格式
- 添加适当的换行保证可读性
高级应用场景
双向转换处理
完整的解决方案还应考虑从Markdown导入时的逆向转换:
- 解析格式的标记
- 查询用户系统获取显示名称
- 重新构建为Mention组件
性能优化建议
对于大型文档:
- 使用memoization缓存转换结果
- 实现增量导出机制
- 考虑Web Worker处理耗时操作
总结
BlockNote的灵活架构允许开发者通过createReactInlineContentSpec深度定制行内组件。通过分离显示属性(path)和数据属性(data),我们可以实现编辑时友好显示与导出时规范格式的统一。自定义导出逻辑时需要注意保持Markdown的语法规范,同时确保特殊标记的可逆转换。
这种模式不仅适用于@mention功能,还可以扩展到各种需要特殊渲染和存储的业务场景,如商品链接、文档引用等复杂元素的处理。
BlockNote
A "Notion-style" block-based extensible text editor built on top of Prosemirror and Tiptap.
登录后查看全文
热门项目推荐
相关项目推荐
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-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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
570
3.84 K
Ascend Extension for PyTorch
Python
380
454
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++
894
677
暂无简介
Dart
803
198
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
353
207
昇腾LLM分布式训练框架
Python
119
147
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (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
1.37 K
781