Lexical富文本编辑器v0.28.0版本深度解析
Lexical是一个由Facebook开发的现代化富文本编辑器框架,它采用了React优先的设计理念,提供了高度可定制和可扩展的编辑器解决方案。Lexical的核心优势在于其轻量级、高性能以及出色的可扩展性,开发者可以通过插件系统轻松扩展编辑器的功能。
版本亮点
本次发布的v0.28.0版本是一个包含重要错误修复和功能增强的临时小版本更新。其中最关键的修复是解决了在某些条件下DOM节点可能完全不被更新的问题(这个存在3年多的bug很少被触发)。版本带来了多项改进,包括核心功能增强、列表样式优化、表格处理改进等。
核心功能改进
节点选择删除处理标准化
新版本为NodeSelection添加了默认的删除处理程序,统一了DELETE和BACKSPACE按键的行为。现在这些按键会调用DELETE_CHARACTER_COMMAND来处理NodeSelection,通过新的NodeSelection.deleteNodes()方法移除所有选中的节点。这一改变消除了之前各个实现中存在的细微错误,开发者可以删除之前从playground复制的$onDelete处理程序。
根节点和列表节点拼接逻辑重构
RootNode和ListNode的append方法被重构并移至ElementNode的原始splice方法中。这意味着对于RootNode,当尝试插入叶子节点时,在所有插入情况下都会抛出异常,而不仅仅是append操作。对于ListNode,自动ListItemNode包装现在适用于所有插入子节点的情况。
节点插入逻辑优化
$insertNodeToNearestRoot方法现在会考虑canBeEmpty()属性,在分割当前节点时不会创建空的ElementNode(如ListNode)。这一改进使得节点插入行为更加合理和一致。
列表样式处理改进
v0.26.0版本中引入的ListItemNode项目符号继承第一个文本节点样式的方案被发现过于宽泛,因为ListItemNode的内联样式会级联到所有子节点。新版本通过CSS自定义属性来解决这个问题,开发者需要更新主题CSS来保持这一特性。
表格功能增强
表格单元格导入优化
TableCellNode的importDOM实现被修正,使其行为与其他Lexical根节点一致,正确处理
标签转换为LineBreakNode,并将顶级内联节点(包括内联装饰器)包装在ParagraphNode中。这一改进使得表格单元格的内容处理更加统一。
可滚动表格DOM更新修复
修复了Scrollable TableNode的updateDOM问题,同时重构了getDOMSlot的类型定义,使其更加精确和类型安全。
React相关改进
移除了未使用的直接依赖项,减少了包体积。同时为DraggableBlockPlugin添加了onElementChanged回调,使得开发者可以更好地控制拖拽块的行为。
实用工具增强
objectKlassEquals工具函数现在增加了类型谓词功能,提供了更好的类型安全性。
新API介绍
更新监听器新增mutatedNodes属性
UpdateListenerPayload现在包含mutatedNodes属性,当至少注册一个MutationListener时,这个属性会计算所有发生变异的节点。这对于需要监听所有节点变化的场景特别有用,特别是与NodeState结合使用时。
根节点变换顺序保证
新版本确保RootNode的节点变换总是最后执行,并提供了文档说明RootNode在其它节点变脏时总是被视为有意变脏的特殊情况。
开发者建议
对于升级到v0.28.0版本的开发者,需要注意以下几点:
- 检查并移除任何自定义的$onDelete处理程序,使用新的默认NodeSelection删除处理
- 更新ListItemNode的CSS样式处理,使用新的自定义属性方案
- 检查表格相关代码,确保适应新的单元格导入行为
- 考虑使用新的mutatedNodes属性来优化节点变化监听逻辑
这个版本虽然是一个小版本更新,但包含了对核心功能的多个重要改进和错误修复,建议所有使用Lexical的项目尽快升级以获得更稳定和一致的编辑体验。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00