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
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
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
9
1
暂无简介
Dart
680
160
🔥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
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
660