Tiptap编辑器在只读模式下仍可撤销操作的问题分析与解决方案
问题背景
Tiptap是一个基于ProseMirror构建的现代化富文本编辑器框架。在2.6.6版本中,开发者发现了一个关键问题:当编辑器通过editor.setEditable(false)设置为只读模式后,用户仍然可以通过快捷键Ctrl+Z(Windows/Linux)或Cmd+Z(Mac)执行撤销操作,这明显违背了只读模式的设计初衷。
问题复现
该问题可以通过以下步骤复现:
- 初始化一个包含历史记录扩展的Tiptap编辑器
- 编辑一些内容
- 调用
editor.setEditable(false)将编辑器设为只读 - 尝试使用撤销快捷键
有趣的是,这个问题仅影响撤销操作(Ctrl+Z),而重做操作(Ctrl+Shift+Z)则表现正常,在只读模式下会被正确阻止。
技术分析
经过深入调查,发现这个问题源于多个层面的因素:
-
React重渲染问题:当使用React版本的Tiptap时,
useEditor钩子的初始editable选项会在组件重渲染时重新应用,覆盖了通过setEditable设置的只读状态。这导致编辑器实际上仍保持可编辑状态。 -
ProseMirror历史插件行为:底层ProseMirror的历史插件没有检查编辑器的可编辑状态,直接处理了撤销操作。这是问题的根本原因,因为编辑器状态管理应该统一处理所有修改操作。
-
浏览器事件处理:浏览器对内容可编辑区域的处理方式也影响了这一行为,使得撤销操作能够绕过Tiptap的部分控制逻辑。
解决方案演进
开发团队提出了多阶段的解决方案:
第一阶段:React可编辑状态修复
通过修改useEditor的实现,确保setEditable调用能够正确覆盖初始选项。这一修改确保了编辑器状态的一致性,解决了React重渲染导致的状态回退问题。
第二阶段:历史插件补丁
由于问题核心在于ProseMirror历史插件,团队创建了一个临时解决方案:
addProseMirrorPlugins() {
return [
new Plugin({
key: new PluginKey('uneditableHistory'),
props: {
handleDOMEvents: {
beforeinput: (view, e: Event) => {
let inputType = (e as InputEvent).inputType
if (inputType == 'historyUndo' || inputType == 'historyRedo') {
if (!this.editor.isEditable) {
e.preventDefault()
}
}
}
}
}
})
]
}
这个插件会拦截浏览器的历史操作事件,在编辑器不可编辑时阻止默认行为。
第三阶段:上游修复
最终解决方案是向ProseMirror历史插件提交修复,使其在内部检查编辑器可编辑状态。这一修改已被合并到ProseMirror主分支,从根本上解决了问题。
最佳实践建议
对于使用Tiptap的开发者,建议:
- 确保使用最新版本的Tiptap和相关依赖
- 如果遇到类似问题,可以先尝试更新
prosemirror-history插件 - 在需要严格只读的场景,考虑清除历史记录:
editor.unregisterPlugin('history');
editor.registerPlugin(history());
- 对于复杂的状态管理,建议统一通过
setEditable控制,避免混合使用初始选项和动态设置
总结
这个问题展示了现代编辑器框架中状态管理的复杂性,涉及从React组件生命周期到底层ProseMirror插件行为的多个层面。通过社区协作和分层解决方案,最终实现了对编辑器只读状态的完整控制。这也提醒我们,在构建富文本编辑器时,需要特别注意各种用户交互路径下的状态一致性。
kernelopenEuler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。C030
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